CN116432687A - 一种群体智能算法优化方法 - Google Patents
一种群体智能算法优化方法 Download PDFInfo
- Publication number
- CN116432687A CN116432687A CN202211605141.7A CN202211605141A CN116432687A CN 116432687 A CN116432687 A CN 116432687A CN 202211605141 A CN202211605141 A CN 202211605141A CN 116432687 A CN116432687 A CN 116432687A
- Authority
- CN
- China
- Prior art keywords
- updating
- population
- weight
- algorithm
- iteration times
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 239000003795 chemical substances by application Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 241000282461 Canis lupus Species 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种群体智能算法优化方法，具体方法如下：初始化种群数量、最大迭代次数等参数；选择位置更新方法，包括线性权重法、自适应权重法和随机权重法三种方法；根据选择的更新方法进行更新；寻找前三个最优候选解，计算更新速度；根据位置和速度更新各个候选解的位置；使用DLH策略进行更新；判断种群是否全部更新完毕；判断迭代次数达到最大迭代次数，达到最大迭代次数则输出已找到的最优解，否则继续下一次迭代。本发明在IGWO的基础上，融合PSO的思想进行进一步改进达到更好的效果，提高算法有效性和实用性；优化原算法存在的种群多样性不足和易陷入局部最优的缺点，并将算法用于解决实际的工程问题。
Description
技术领域
本发明涉及优化算法领域，具体为一种群体智能算法优化方法。
背景技术
优化问题存在于社会生产的各个领域；很多优化问题都可以抽象为旅行商问题、背包问题和聚类问题等经典的优化问题或者是这些问题的推广；随着科学技术发展，不断有新的问题出现，这些经典优化问题在不断发展过程中日益复杂，解决这些问题的方法也需要不断进步。
群体智能算法是优化算法中一个热门分支。通过对动物或自然界一些现象进行数学建模，研究出一种算法来解决现实问题成为一种潮流；经典的粒子群PSO算法自从20世纪90年代提出以来，研究者在标准PSO算法基础上不断改进更新使其适用于不同的优化问题。近些年也不断有一些新的智能算法提出，2014年提出的灰狼优化算法(GWO)，在提出后被包括原作者在内的很多学者改进；2020年GWO的提出者研究出一种新的改进的灰狼优化算法(IGWO)，使GWO的性能有很大的提升。
GWO算法以灰狼狼群的领导等级机制和狩猎行为为模型进行数学建模。为了方便数学表达，狼群的领导者称为α，也就是优化问题的最优解；次优解和第三优解成为β和δ；其他候选解都标记为ω。狼群的狩猎过程可以分为三个步骤：包围、搜索和攻击；整个狩猎过程中，各个候选解的位置仅受到α、β和δ三个解影响，大大降低了种群的多样性并容易导致算法陷入局部最优解陷阱；GWO算法的具体流程如图5所示；在GWO算法基础上改进的IGWO算法，在GWO算法完成候选解的位置更新之后，加入了新的搜索策略(DLH)；在DLH中，所有的候选解都会和他们附件的候选解进行比较，并向更好的一方学习。
现有技术的缺点：GWO算法由于寻优过程仅依赖于三个较优的候选解，所以较容易陷入局部最优陷阱，并且种群多样性无法保证。IGWO算法虽然加入了DLH搜索更新策略，缓解了GWO算法种群多样性不足和易陷入局部最优的问题，但是还有很大的改进空间。
发明内容
本发明的目的是针对现有技术的缺陷，提供一种群体智能算法优化方法，以解决上述背景技术提出的问题。
为实现上述目的，本发明提供如下技术方案：一种群体智能算法优化方法，具体步骤如下：
步骤1：初始化种群数量、最大迭代次数等参数；
步骤2：选择位置更新方法，包括线性权重法、自适应权重法和随机权重法三种方法；
步骤3：根据选择的更新方法进行更新，线性权重法跳转步骤4；自适应权重法跳转步骤x；随机权重法跳转步骤x；
步骤4：寻找前三个最优候选解，计算更新速度；
步骤5：根据位置和速度更新各个候选解的位置；
步骤6：使用DLH策略进行更新；
步骤7：判断种群是否全部更新完毕，更新完毕则进入步骤8，否则继续更新；
步骤8：判断迭代次数达到最大迭代次数，达到最大迭代次数则输出已找到的最优解，否则继续下一次迭代。
作为本发明的一种优选技术方案，所述步骤1初始化算法种群数量、最大迭代次数、测试函数；如果有必要，还需设置权重变化的上下限。
作为本发明的一种优选技术方案，所述步骤2根据不同的求解函数选择需要的权重更新方法，通过实验数据分析，采取随机变化的权重适用于大部分待求解的函数，少数函数适合使用线性变化的权重，极少数需要使用自适应权重。
作为本发明的一种优选技术方案，所述步骤3根据选择的不同权重更新策略，采取不同的计算公式进行更新；
线性权重更新公式为：
自适应权重更新公式为：
随机权重更新公式为：
ω＝0.5+0.3×rand+0.2×randn
其中，ω是更新的权重；ωmax和ωmin分别是设置的权重上下限(即权重的最大值和最小值)；Maxiter是最大迭代次数；Fit(i)为第i个代理的目标函数值；fmin和favg分别是全部代理的最小函数值和平均函数值；rand为0到1之间的随机数；randn为0到1之间符合正态分布的随机数。
作为本发明的一种优选技术方案，所述步骤4的速度更新公式为：velocity(t+1)＝ω×(C1r1(X1-Position)+C2r2(X2-Position)+
C3r3(X3-Position))；其中，r1、r2和r3是[0,1]之间的随机向量；C1、C2和C3等于两倍的r3；X1、X2和X3分别是当前迭代的三个最优候选解；Position是当前代理的位置向量。
作为本发明的一种优选技术方案，所述步骤5更新各个代理的位置：X(t+1)＝Position+velocity。
作为本发明的一种优选技术方案，所述步骤6进入DLH策略的搜索更新，以半径Ri(t)＝||Xi(t)-Xi-GWO(t+1)||构造Xi(t)的领域，Xi-GWO(t+1)即为步骤5中计算的X(t+1)；根据公式Xi-DLH，d(t+1)＝Xi，d(t)+rand+(Xn，d(t)-tr，d(t))逐个更新候选解位置，直到全部更新完毕。
本发明的有益效果是：本发明在IGWO的基础上，融合PSO的思想进行进一步改进达到更好的效果，提高算法有效性和实用性；优化原算法存在的种群多样性不足和易陷入局部最优的缺点，并将算法用于解决实际的工程问题。
附图说明
图1为本发明的流程图；
图2为本发明无人机航迹规划仿真实验和实体机飞行实验数据图。
图3为本发明的无人机航迹规划仿真实验路径图；
图4为本发明的无人机航迹规划实机飞行实验路径图；
图5为本发明的背景技术中GWO算法的具体流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1，本发明提供一种技术方案：一种群体智能算法优化方法，具体步骤如下：
步骤1：初始化算法种群数量、最大迭代次数、测试函数；如果有必要，还需设置权重变化的上下限；
步骤2：选择位置更新方法，包括线性权重法、自适应权重法和随机权重法三种方法；根据不同的求解函数选择需要的权重更新方法，通过实验数据分析，采取随机变化的权重适用于大部分待求解的函数，少数函数适合使用线性变化的权重，极少数需要使用自适应权重；
步骤3：根据选择的更新方法进行更新，线性权重法跳转步骤4；自适应权重法跳转步骤x；随机权重法跳转步骤x；
根据选择的不同权重更新策略，采取不同的计算公式进行更新；
线性权重更新公式为：
自适应权重更新公式为：
随机权重更新公式为：
ω＝0.5+0.3×rand+0.2×randn
其中，ω是更新的权重；ωmax和ωmin分别是设置的权重上下限(即权重的最大值和最小值)；Maxiter是最大迭代次数；Fit(i)为第i个代理的目标函数值；fmin和favg分别是全部代理的最小函数值和平均函数值；rand为0到1之间的随机数；randn为0到1之间符合正态分布的随机数；
步骤4：寻找前三个最优候选解，计算更新速度；
速度更新公式为：velocity(t+1)＝ω×(C1r1(X1-Position)+C2r2(X2-Position)+C3r3(X3-Position))；其中，r1、r2和r3是[0,1]之间的随机向量；C1、C2和C3等于两倍的r3；X1、X2和X3分别是当前迭代的三个最优候选解；Position是当前代理的位置向量；
步骤5：根据位置和速度更新各个候选解的位置；更新各个代理的位置：X(t+1)＝Position+velocity；
步骤6：使用DLH策略进行更新；以半径Ri(t)＝||Xi(t)-Xi-GWO(t+1)||构造Xi(t)的领域，根据公式Xi-DLH，d(t+1)＝Xi，d(t)+rand+(Xn，d(t)-Xr，d(t))逐个更新候选解位置，直到全部更新完毕；
步骤7：判断种群是否全部更新完毕，更新完毕则进入步骤8，否则继续更新；
步骤8：判断迭代次数达到最大迭代次数，达到最大迭代次数则输出已找到的最优解，否则继续下一次迭代。
实施例：本发明使用10个CEC测试函数，包括5个单峰函数和5个多模态函数，并采用粒子群算法(PSO)、灰狼优化算法(GWO)和改进的灰狼优化算法(I-GWO)作为对照进行测试。测试分为三个维度(10种群、1000次迭代；20种群、2000次迭代；30种群、3000次迭代)进行，共得到30组实验数据。为了减小实验误差，每一组实验数据都进行了20次以上实验。实验数据希纳是本发明使用的方法胜率达到80％，三个传统算法的胜率分别只有0％、3.33％、16.67％。
本方法有效缓解了之前相关技术算法的过早收敛和局部最优问题。
为了验证本发明在实际工程问题中的效果，本发明进行了无人机航迹规划仿真实验和实体机飞行实验。如图2、图3、图4所示的实验数据分析可以得出结论：在无人机航迹规划实验中，采用随机权重算法进行改进的IGWO算法的表现最好，规划路径最短。
具体操作方式：首先输入无人机飞行区域地图，标注障碍物、起点和终点；其次使用算法计算最优路径，得到各航迹点坐标；随后把航迹点坐标导入无人机地面站，生成无人机航迹图；最后无人机地面站将航迹图传输给无人机，无人机执行指令开始飞行。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (7)
1.一种群体智能算法优化方法，其特征在于：具体步骤如下：
步骤1：初始化种群数量、最大迭代次数等参数；
步骤2：选择位置更新方法，包括线性权重法、自适应权重法和随机权重法三种方法；
步骤3：根据选择的更新方法进行更新，线性权重法跳转步骤4；自适应权重法跳转步骤x；随机权重法跳转步骤x；
步骤4：寻找前三个最优候选解，计算更新速度；
步骤5：根据位置和速度更新各个候选解的位置；
步骤6：使用DLH策略进行更新；
步骤7：判断种群是否全部更新完毕，更新完毕则进入步骤8，否则继续更新；
步骤8：判断迭代次数达到最大迭代次数，达到最大迭代次数则输出已找到的最优解，否则继续下一次迭代。
2.根据权利要求1所述的一种群体智能算法优化方法，其特征在于：所述步骤1初始化算法种群数量、最大迭代次数、测试函数；如果有必要，还需设置权重变化的上下限。
3.根据权利要求1所述的一种群体智能算法优化方法，其特征在于：所述步骤2根据不同的求解函数选择需要的权重更新方法，通过实验数据分析，采取随机变化的权重适用于大部分待求解的函数，少数函数适合使用线性变化的权重，极少数需要使用自适应权重。
4.根据权利要求1所述的一种群体智能算法优化方法，其特征在于：所述步骤3根据选择的不同权重更新策略，采取不同的计算公式进行更新；
线性权重更新公式为：
自适应权重更新公式为：
随机权重更新公式为：
ω＝0.5+0.3×rand+0.2Xrandn
其中，ω是更新的权重；ωmax和ωmin分别是设置的权重上下限(即权重的最大值和最小值)；Maxiter是最大迭代次数；Fit(i)为第i个代理的目标函数值；fmin和favg分别是全部代理的最小函数值和平均函数值；rand为0到1之间的随机数；randn为0到1之间符合正态分布的随机数。
5.根据权利要求1所述的一种群体智能算法优化方法，其特征在于：所述步骤4的速度更新公式为：velocity(t+1)＝ω×(C1r1(X1-Position)+C2r2(X2-Position)+C3r3(X3-Position))；其中，r1、r2和r3是[0,1]之间的随机向量；C1、C2和C3等于两倍的r3；X1、X2和X3分别是当前迭代的三个最优候选解；Position是当前代理的位置向量。
6.根据权利要求1所述的一种群体智能算法优化方法，其特征在于：所述步骤5更新各个代理的位置：X(t+1)＝Position+velocity。
7.根据权利要求1所述的一种群体智能算法优化方法，其特征在于：所述步骤6进入DLH策略的搜索更新，以半径Ri(t)＝||Xi(t)-Xi-GWO(t+1)||构造Xi(t)的领域，Xi-GWO(t+1)即为步骤5中计算的X(t+1)；根据公式Xi-DLH，d(t+1)＝Xi，d(t)+rand+(Xn，d(t)-Xr，d(t))逐个更新候选解位置，直到全部更新完毕。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211605141.7A CN116432687A (zh) | 2022-12-14 | 2022-12-14 | 一种群体智能算法优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211605141.7A CN116432687A (zh) | 2022-12-14 | 2022-12-14 | 一种群体智能算法优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116432687A true CN116432687A (zh) | 2023-07-14 |
Family
ID=87082076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211605141.7A Pending CN116432687A (zh) | 2022-12-14 | 2022-12-14 | 一种群体智能算法优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116432687A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709524A (zh) * | 2020-07-03 | 2020-09-25 | 江苏科技大学 | 一种基于改进gwo算法的rbf神经网络优化方法 |
| CN114580601A (zh) * | 2022-01-18 | 2022-06-03 | 中国人民解放军国防科技大学 | 一种基于改进智能优化算法的磁偶极子目标定位方法 |
| CN115169517A (zh) * | 2022-06-15 | 2022-10-11 | 哈尔滨理工大学 | 一种改进的灰狼优化算法的方法 |
| CN115222006A (zh) * | 2021-04-15 | 2022-10-21 | 天津科技大学 | 一种基于改进粒子群优化算法的数值函数优化方法 |
| CN115454612A (zh) * | 2022-10-09 | 2022-12-09 | 西北大学 | 一种基于维度学习策略和灰狼优化的云平台任务调度方法 |
-
2022
- 2022-12-14 CN CN202211605141.7A patent/CN116432687A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709524A (zh) * | 2020-07-03 | 2020-09-25 | 江苏科技大学 | 一种基于改进gwo算法的rbf神经网络优化方法 |
| CN115222006A (zh) * | 2021-04-15 | 2022-10-21 | 天津科技大学 | 一种基于改进粒子群优化算法的数值函数优化方法 |
| CN114580601A (zh) * | 2022-01-18 | 2022-06-03 | 中国人民解放军国防科技大学 | 一种基于改进智能优化算法的磁偶极子目标定位方法 |
| CN115169517A (zh) * | 2022-06-15 | 2022-10-11 | 哈尔滨理工大学 | 一种改进的灰狼优化算法的方法 |
| CN115454612A (zh) * | 2022-10-09 | 2022-12-09 | 西北大学 | 一种基于维度学习策略和灰狼优化的云平台任务调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108919641B (zh) | 一种基于改进樽海鞘算法的无人机航迹规划方法 | |
| CN106529674B (zh) | 多无人机协同多目标分配方法 | |
| CN106020230B (zh) | 一种能耗约束下的多无人机任务分配方法 | |
| CN107103164B (zh) | 无人机执行多任务的分配方法及装置 | |
| CN110442135A (zh) | 一种基于改进遗传算法的无人艇路径规划方法及系统 | |
| CN112082552A (zh) | 基于改进的混合粒子群优化算法的无人机航迹规划方法 | |
| CN107238388A (zh) | 多无人机任务分配与航迹规划联合优化方法及装置 | |
| CN110488859A (zh) | 一种基于改进Q-learning算法的无人机航路规划方法 | |
| Dian et al. | A smooth path planning method for mobile robot using a BES-incorporated modified QPSO algorithm | |
| CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
| CN110442940A (zh) | 一种高效的船舶多管路并行智能布局设计方法 | |
| CN115494873A (zh) | 时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法 | |
| CN112577507A (zh) | 基于哈里斯鹰优化算法的电动汽车路径规划方法 | |
| CN113283827A (zh) | 一种基于深度强化学习的两阶段无人机物流路径规划方法 | |
| CN114077256A (zh) | 一种水上无人船路径规划方法 | |
| CN112229409B (zh) | 基于贝叶斯和进化算法的无人机协同航迹规划方法 | |
| CN116400737B (zh) | 一种基于蚁群算法的安全路径规划系统 | |
| CN110426043A (zh) | 面向线目标的无人机侦察航迹规划方法 | |
| CN116430891A (zh) | 一种面向多智能体路径规划环境的深度强化学习方法 | |
| CN111080035A (zh) | 基于改进量子粒子群优化算法的全局路径规划方法 | |
| CN117933842A (zh) | 基于双时间尺度的无人车配送路径优化方法 | |
| CN116432687A (zh) | 一种群体智能算法优化方法 | |
| CN111781920B (zh) | 自动驾驶方法、装置和存储介质 | |
| Lei et al. | Kb-tree: Learnable and continuous monte-carlo tree search for autonomous driving planning | |
| CN114564039B (zh) | 一种基于深度q网络和快速搜索随机树算法的航迹规划方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230714 |
|
| RJ01 | Rejection of invention patent application after publication |