DE202022105010U1

DE202022105010U1 - Ein Differential Crossover- und Quanten-Partikelschwarm-Optimierungssystem

Info

Publication number: DE202022105010U1
Application number: DE202022105010.4U
Authority: DE
Original assignee: Individual
Current assignee: Individual
Priority date: 2022-09-06
Filing date: 2022-09-06
Publication date: 2022-09-23
Anticipated expiration: 2032-09-07

Abstract

Differentielles Crossover- und Quantum-Partikelschwarm-Optimierungssystem (100), wobei das System (100) eine Vielzahl von wiederholten Iterationszyklen umfasst, wobei jeder der wiederholten Iterationszyklen Folgendes umfasst:
ein Initialisierungsmodul (102) zum Initialisieren einer Vielzahl von Parametern, wie z.B. der aktuellen Position jedes Knotens einer Vielzahl von Knoten im Schwarm und zum Zusammenstellen;
ein Erzeugungsmodul (104), das mit dem Initialisierungsmodul (102) verbunden ist, um eine Anfangspopulation eines Schwarms in einem definierten Raum und einem Testort zu erzeugen;
ein Berechnungsmodul (106), das mit dem Erzeugungsmodul (104) verbunden ist, um eine mittlere optimale Position des Knotens im Schwarm und einen Testort zu bestimmen;
ein mit dem Berechnungsmodul (106) verbundenes Differenzialentwicklungs-Betriebsmodul (108) zum Aktualisieren der aktuellen Position jedes Knotens aus der Vielzahl der Knoten; und
ein Aktualisierungsmodul (110), das mit dem Berechnungsmodul (108) verbunden ist, zum Aktualisieren der Kreuzungswahrscheinlichkeit bei der Bestimmung von Werten des erzeugten Testortes und zum Aktualisieren einer individuellen optimalen Position der Knoten.

Description

BEREICH DER ERFINDUNG
Die vorliegende Erfindung bezieht sich auf ein Gebiet des Internet der Dinge. Insbesondere bezieht sich die vorliegende Erfindung auf ein differentielles Crossover- und Quanten-Partikelschwarm-Optimierungssystem.
HINTERGRUND DER ERFINDUNG
Optimierungsprobleme treten häufig in Echtzeitszenarien auf, und man braucht eine effiziente Technik, um die optimale Lösung mit hoher Konvergenz zu erreichen, während man sich mit einem bestimmten Problem beschäftigt. Die traditionelle gradientenbasierte Optimierungsmethode hat ihre Grenzen, und sie kann komplexe Optimierungsprobleme nicht lösen. Metaheuristische Verfahren werden in großem Umfang zur Lösung von realen Optimierungsproblemen eingesetzt. Sie sind iterativ und basieren auf sozialen Verhaltensweisen oder natürlichen Phänomenen.
Die metaheuristische Technik ist vergleichsweise effizienter als die auf dem Gradienten basierende Optimierung. Allerdings muss die metaheuristische Technik noch verbessert werden, da die Konvergenzrate in Richtung einer optimalen Lösung vergleichsweise langsam ist. Daher müssen die Explorations- und Verwertungsfähigkeiten der Verfahren geändert und verbessert werden.
Mit dem exponentiellen Wachstum beim Einsatz des Internets der Dinge (IoT) und den Fortschritten bei unterstützenden Technologien wie Cloud Computing, mobilen Anwendungen und Schnittstellen kommt der auf Schwarmintelligenz basierenden Optimierung eine erhebliche Bedeutung bei der Bewältigung der Herausforderungen zu, denen sich diese Netzwerke bei der Leistungsoptimierung gegenübersehen.
Die Konnektivität einer großen Anzahl von Geräten in heterogenen Netzwerken, der Energieverbrauch, die Lokalisierung von Knoten, das Routing von Datenpaketen und die Sicherheit sind die entscheidenden Herausforderungen im IoT.
IoT-Systeme sammeln eine riesige Menge an Daten von IoT-Knoten. Die Analyse dieser Daten erfolgt mithilfe verschiedener Mechanismen wie Edge Computing, Fog Computing und Cloud Computing, bei denen die Schwarmintelligenz als multikriterielles Optimierungsproblem eingesetzt werden kann. Dieser Ansatz trägt wesentlich dazu bei, die Leistung der Netze zu verbessern und die Komplexität und Kosten zu verringern.
Ein globales Positionierungssystem (GPS) wird üblicherweise für die Lokalisierung von Knoten verwendet. Allerdings ist es aufgrund des hohen Energieverbrauchs nicht wirtschaftlich und praktikabel. Die Lokalisierung von IoT-Knoten wird als Fehleroptimierungsproblem mithilfe einer Schwarmintelligenztechnik gelöst. Ebenso wird die schwarmbasierte Optimierung auf verschiedene Weise eingesetzt, um die Leistung von IoT-Netzwerken zu verbessern. Eine dieser Herausforderungen ist die ungleichmäßige Verteilung von IoT-Knoten aufgrund von Mobilität und Anwendungsanforderungen. Die mobilen IoT-Knoten verbessern die Möglichkeiten der Datenerfassung durch eine verbesserte Abdeckung und einen geringeren Energieverbrauch erheblich. Solche Szenarien und Topologien stellen jedoch die zusätzliche Herausforderung dar, die Knotendichte und -abdeckung aufrechtzuerhalten, um die Anforderungen der Anwendung zu erfüllen.
Viele der bestehenden IoT-Knotenlokalisierungsansätze basieren auf einem grundlegenden Plattenabdeckungsmodell, das für die Implementierung in tatsächlichen Anwendungsumgebungen unrealistisch ist. Bei diesen Ansätzen werden die räumlichen Beziehungen der überwachten physikalischen Merkmale, die Zuordnung der Sensorknoten und die Fehlertoleranz des Netzwerks ignoriert, so dass die Anforderungen an eine globale Optimierung nicht erfüllt werden.
Darüber hinaus wurden in diesen Ansätzen die optimalen Lösungen für die Knotenpunktdichte und die Abdeckung in IoT-Netzen nicht erörtert und behandelt.
In der jüngsten Vergangenheit wurden verschiedene Ansätze und Modifikationen der Schwarmintelligenz vorgeschlagen.
Einem Forscher zufolge haben Tam et al. einen hybriden Ansatz vorgeschlagen, der Fuzzy Clustering und PSO verwendet, um Netzwerkunterbrechungen zu reduzieren. Dieser hybride Ansatz wird wiederholt ausgeführt, bis eine optimale Sensortopologie aufgebaut ist. Der Energieverbrauch wird durch diese Methode gesenkt und die Konnektivität zwischen Clusterkopf und Basisstation sowie zwischen anderen Knoten und Clusterkopf verbessert.
Einem anderen Forscher zufolge entwickelten Ghorpade et al. eine binäre Grauer-Wolf-Optimierungs-Topologiekontrolltechnik, die mit aktivinaktiven Zeitplänen von Sensorknoten arbeitet und eine Fitnessfunktion zur Minimierung der Anzahl aktiver Knoten für eine verlängerte Lebensdauer präsentiert. Mit dieser Technik wird eine maximale Abdeckung und Konnektivität erreicht. Die Ameisenkolonie-Optimierung (ACO) wird mit der lokalen Suche für den Knoteneinsatz in WSN kombiniert, wobei die Kostenzuverlässigkeit als Einschränkung berücksichtigt wird. Obwohl der PSO-basierte Ansatz zur Knotenlokalisierung rechnerisch effektiv ist, ist die Verbesserung des Lokalisierungsfehlers nicht sehr groß.
Einem anderen Forscher zufolge haben Kumar et al. eine kombinierte Technik der hybriden Partikelschwarmoptimierung (HPSO) mit der biogeografiebasierten Optimierung (BBO) vorgeschlagen, die ebenfalls eine zweistufige Standortschätzung zur Minimierung von Standortfehlern ist. RSSI wird als Eingangsparameter verwendet, und das Ausgangsgewicht wird für die gewichtete Schwerpunktlokalisierung verwendet. Diese Methoden neigen zu einer geringeren Genauigkeit, wenn zwischen den identifizierten Knoten Ungleichheiten bestehen.
In einer weiteren Ausführungsform haben Sun et al. das Quanten-PSO (QPSO) vorgeschlagen, das die Quantentheorie mit dem PSO kombiniert. Die QPSO-Technik garantiert die globale optimale Lösung für eine unendliche Anzahl von Suchiterationen. Sie ist jedoch nicht praktikabel, da jede Technik nur eine endliche Anzahl von Suchiterationen für die beste Lösung in Echtzeitanwendungen zulässt. Darüber hinaus fällt QPSO in die lokalen Optima, was zu einer langsameren Konvergenz führt.
Es wurden verschiedene Ansätze zur Verbesserung der Konvergenzgeschwindigkeit und der globalen Optima vorgeschlagen. Einem anderen Forscher zufolge haben Liang et al. ein umfassendes lernendes Quanten-PSO entwickelt, das den Lernansatz verwendet. Die Informationen von anderen Partikeln werden für die Aktualisierung der Partikelgeschwindigkeit verwendet. Dieser Ansatz ermöglicht es, die Vielfalt des Schwarms gut zu erhalten, um eine frühzeitige Konvergenz zu verhindern.
Ein anderer Forscher, Shanshan Tu et al., schlug vor, den Crossover-Parameter zu aktualisieren, um die Leistung des Quanten-PSO und die globalen Suchfähigkeiten zu verbessern. Quantenbasiertes PSO mit oppositionsbasiertem Lernen und verallgemeinertem oppositionsbasiertem Lernen (CSQPSO) verbessert die Ausnutzung und unterstützt auch die Exploration. Die parallele Verbesserung der globalen Explorationsfähigkeit und Konvergenzgeschwindigkeit ist jedoch eine anspruchsvolle Aufgabe. Bei der Vermeidung lokaler Optima kann sich die Konvergenzgeschwindigkeit eines Verfahrens verringern.
Bei der Schwarmintelligenztechnik ist das Gleichgewicht zwischen globalen und lokalen Suchfunktionen ein entscheidendes Problem. Bei PSO führen die schnellen Konvergenzmerkmale zu einer frühen Konvergenz, wenn die Erkundung berücksichtigt wird. Wenn der Schwerpunkt auf dem Gewinn liegt, ist die Konvergenzgenauigkeit des Partikelschwarmverfahrens mit nur einer Exploration nicht zufriedenstellend. Bei PSO mit mehreren Zielen erhöhen die regelmäßigen Aktualisierungen der globalen Lösungen auch die Erkundung und den Fortschritt.
Um die Herausforderungen bei der Optimierung der Knotendichte und -abdeckung zu bewältigen, die von den oben genannten vorherigen Künsten dargestellt wurden, besteht die Notwendigkeit, ein neuartiges verbessertes Differential-Crossover-Quantum-Partikelschwarm-Optimierungssystem (EDCQPSO) zu entwickeln, das kleinere Fitnesswerte und eine schnellere Konvergenz aufweist und für die Optimierung in einer Vielzahl von IoT-Anwendungen verwendet wird.
Der technische Fortschritt, der durch die vorliegende Erfindung offenbart wird, überwindet die Einschränkungen und Nachteile bestehender und konventioneller Systeme und Methoden.
ZUSAMMENFASSUNG DER ERFINDUNG
Die vorliegende Erfindung bezieht sich allgemein auf ein differentielles Crossover- und Quanten-Partikelschwarm-Optimierungssystem.
Ein Ziel der vorliegenden Erfindung ist es, eine differenzielle Crossover-und Quanten-Partikel-Schwarm-Optimierung System;
Ein weiteres Ziel der vorliegenden Erfindung ist es, kleinere Fitnesswerte und schnellere Konvergenz zu erhalten, die für die Optimierung in einer Vielzahl von IoT-Anwendungen verwendet werden;
Ein weiteres Ziel der vorliegenden Erfindung ist es, die Diversität der Population zu verbessern und lokale Optima zu vermeiden; und
Ein weiteres Ziel der vorliegenden Erfindung ist die Förderung des Informationsaustausches zwischen einzelnen Personen in einer Gruppe.
In einer Ausführungsform ein differentielles Crossover- und Quantum-Partikelschwarm-Optimierungssystem, wobei das System aus einer Vielzahl von wiederholten Iterationszyklen besteht, wobei jeder der wiederholten Iterationszyklen Folgendes umfasst:

ein Initialisierungsmodul zum Initialisieren einer Vielzahl von Parametern, wie z.B. der aktuellen Position jedes Knotens einer Vielzahl von Knoten im Schwarm und zum Zusammenstellen;
ein Erzeugungsmodul, das mit dem Initialisierungsmodul verbunden ist, um eine Anfangspopulation eines Schwarms in einem definierten Raum und an einem Testort zu erzeugen;
ein Berechnungsmodul, das mit dem Erzeugungsmodul verbunden ist, um eine mittlere optimale Position des Knotens im Schwarm und einen Teststandort zu bestimmen;
ein mit dem Berechnungsmodul verbundenes Differenzialentwicklungsbetriebsmodul zur Aktualisierung der aktuellen Position jedes der mehreren Knoten; und
ein mit dem Berechnungsmodul verbundenes Aktualisierungsmodul zum Aktualisieren der Kreuzungswahrscheinlichkeit bei der Bestimmung von Werten des erzeugten Testortes und zum Aktualisieren einer individuellen optimalen Position der Knoten.

In einer Ausführungsform wird die aktuelle Position jedes einzelnen Knotens im Schwarm auf Null initialisiert.
In einer Ausführungsform bestimmt das Berechnungsmodul die mittlere optimale Position durch Auswertung der besten Position für den Schwarm.
In einer Ausführungsform identifiziert ein Identifikationsmodul den Anziehungspunkt und die charakteristische Länge der Vielzahl von Knoten.
In einer Ausführungsform bestimmt das Aktualisierungsmodul den adaptiven Wert der Dimensionen für jeden der Vielzahl von Knoten, um die Kreuzungswahrscheinlichkeit zu aktualisieren, wobei die individuelle optimale Position jedes der Vielzahl von Knoten aktualisiert wird.
In einer Ausführungsform fährt das Aktualisierungsmodul fort, die Position des Knotens zu aktualisieren, bis eine wünschenswerte global beste Lösung erreicht ist oder die vorgegebene Anzahl von Iterationen durchgeführt wurde, wobei die nächste Position des Knotens in jeder Iteration bestimmt und die Geschwindigkeit aktualisiert wird.
In einer Ausführungsform schätzt das Erzeugungsmodul die Position jedes der mehreren Knoten, wobei die geschätzte Position und die individuelle optimale Position für die Erzeugung der Testposition getrennt werden.
Um die Vorteile und Merkmale der vorliegenden Erfindung weiter zu verdeutlichen, wird eine genauere Beschreibung der Erfindung durch Bezugnahme auf spezifische Ausführungsformen davon, die in der beigefügten Figur dargestellt ist, gemacht werden. Es wird davon ausgegangen, dass diese Figur nur typische Ausführungsformen der Erfindung zeigt und daher nicht als Einschränkung ihres Umfangs zu betrachten ist. Die Erfindung wird mit zusätzlicher Spezifität und Detail mit der beigefügten Figur beschrieben und erläutert werden.
Figurenliste
Diese und andere Merkmale, Aspekte und Vorteile der vorliegenden Erfindung werden besser verstanden, wenn die folgende detaillierte Beschreibung mit Bezug auf die beigefügte Figur gelesen wird, in der gleiche Zeichen gleiche Teile in der Figur darstellen, wobei:

1 ein Blockdiagramm eines differenziellen Crossover- und Quantum-Partikelschwarm-Optimierungssystems zeigt.

Der Fachmann wird verstehen, dass die Elemente in der Figur der Einfachheit halber dargestellt sind und nicht unbedingt maßstabsgetreu gezeichnet wurden. Die Flussdiagramme veranschaulichen beispielsweise das Verfahren anhand der wichtigsten Schritte, um das Verständnis der Aspekte der vorliegenden Offenbarung zu verbessern. Darüber hinaus kann es sein, dass eine oder mehrere Komponenten der Vorrichtung in der Figur durch herkömmliche Symbole dargestellt sind, und dass die Figur nur die spezifischen Details zeigt, die für das Verständnis der Ausführungsformen der vorliegenden Offenbarung relevant sind, um die Figur nicht mit Details zu überfrachten, die für Fachleute, die mit der vorliegenden Beschreibung vertraut sind, leicht erkennbar sind.
DETAILLIERTE BESCHREIBUNG:
Um das Verständnis der Erfindung zu fördern, wird nun auf die in der Figur dargestellte Ausführungsform Bezug genommen und diese mit bestimmten Worten beschrieben. Es versteht sich jedoch von selbst, dass damit keine Einschränkung des Umfangs der Erfindung beabsichtigt ist, wobei solche Änderungen und weitere Modifikationen des dargestellten Systems und solche weiteren Anwendungen der darin dargestellten Grundsätze der Erfindung in Betracht gezogen werden, wie sie einem Fachmann auf dem Gebiet der Erfindung normalerweise einfallen würden.
Es versteht sich für den Fachmann von selbst, dass die vorstehende allgemeine Beschreibung und die folgende detaillierte Beschreibung beispielhaft und erläuternd für die Erfindung sind und diese nicht einschränken sollen.
Wenn in dieser Beschreibung von „einem Aspekt“, „einem anderen Aspekt“ oder ähnlichem die Rede ist, bedeutet dies, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder eine bestimmte Eigenschaft, die im Zusammenhang mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform der vorliegenden Erfindung enthalten ist. Daher können sich die Ausdrücke „in einer Ausführungsform“, „in einer anderen Ausführungsform“ und ähnliche Ausdrücke in dieser Beschreibung alle auf dieselbe Ausführungsform beziehen, müssen es aber nicht.
Die Ausdrücke „umfasst“, „enthaltend“ oder andere Variationen davon sollen eine nicht ausschließliche Einbeziehung abdecken, so dass ein Verfahren oder eine Methode, die eine Liste von Schritten umfasst, nicht nur diese Schritte einschließt, sondern auch andere Schritte enthalten kann, die nicht ausdrücklich aufgeführt sind oder zu einem solchen Verfahren oder einer solchen Methode gehören. Ebenso schließen eine oder mehrere Vorrichtungen oder Teilsysteme oder Elemente oder Strukturen oder Komponenten, die mit „umfasst...a“ eingeleitet werden, nicht ohne weitere Einschränkungen die Existenz anderer Vorrichtungen oder anderer Teilsysteme oder anderer Elemente oder anderer Strukturen oder anderer Komponenten oder zusätzlicher Vorrichtungen oder zusätzlicher Teilsysteme oder zusätzlicher Elemente oder zusätzlicher Strukturen oder zusätzlicher Komponenten aus.
Sofern nicht anders definiert, haben alle hierin verwendeten technischen und wissenschaftlichen Begriffe die gleiche Bedeutung, wie sie von einem Fachmann auf dem Gebiet, zu dem diese Erfindung gehört, allgemein verstanden wird. Das System, die Methoden und die Beispiele, die hier angegeben werden, dienen nur der Veranschaulichung und sind nicht als Einschränkung gedacht.
Ausführungsformen der vorliegenden Erfindung werden im Folgenden unter Bezugnahme auf die beigefügte Figur im Detail beschrieben.
1 zeigt ein Blockdiagramm eines differentiellen Crossover-und Quantum-Partikelschwarm-Optimierungssystems (100), wobei das System (100) eine Vielzahl von wiederholten Iterationszyklen umfasst, wobei jeder der wiederholten Iterationszyklen Folgendes umfasst: ein Initialisierungsmodul (102), ein Erzeugungsmodul (104), ein Berechnungsmodul (106), ein differentielles Evolutionsoperationsmodul (108) und ein Aktualisierungsmodul (110).
Das Initialisierungsmodul (102) zur Initialisierung einer Vielzahl von Parametern, wie z.B. der aktuellen Position jedes einzelnen Knotens im Schwarm und der Zusammenstellung. Die aktuelle Position eines jeden Knotens aus einer Vielzahl von Knoten im Schwarm wird auf Null initialisiert.
Das Erzeugungsmodul (104) ist mit dem Initialisierungsmodul (102) verbunden, um eine Anfangspopulation eines Schwarms in einem definierten Raum und eine Testposition zu erzeugen. Das Erzeugungsmodul (104) schätzt die Position jedes der mehreren Knoten, wobei die geschätzte Position und die individuelle optimale Position für die Erzeugung der Testposition getrennt werden.
Das Berechnungsmodul (106) ist mit dem Erzeugungsmodul (104) verbunden, um eine mittlere optimale Position des Knotens im Schwarm und einen Teststandort zu bestimmen. Das Berechnungsmodul (106) bestimmt die mittlere optimale Position durch Auswertung der besten Position für den Schwarm.
Das Betriebsmodul (108) für die differentielle Evolution ist mit dem Berechnungsmodul (106) verbunden, um die aktuelle Position eines jeden der mehreren Knoten zu aktualisieren. Das Identifikationsmodul identifiziert den Anziehungspunkt und die charakteristische Länge der Vielzahl von Knoten.
Das Aktualisierungsmodul (110) ist mit dem Berechnungsmodul (108) verbunden, um die Kreuzungswahrscheinlichkeit bei der Bestimmung der Werte des erzeugten Testortes zu aktualisieren und eine individuelle optimale Position der Knoten zu aktualisieren. Das Aktualisierungsmodul (110) bestimmt den adaptiven Wert der Dimensionen für jeden aus der Vielzahl der Knoten, um die Kreuzungswahrscheinlichkeit zu aktualisieren, wobei die individuelle optimale Position jedes aus der Vielzahl der Knoten aktualisiert wird. Das Aktualisierungsmodul (110) fährt fort, die Position des Knotens zu aktualisieren, bis eine wünschenswerte global beste Lösung erreicht ist oder das gegebene Ziel von Iterationen durchgeführt wird, wobei die nächste Position des Knotens in jeder Iteration bestimmt und die Geschwindigkeit aktualisiert wird.
Bei QPSO hält jeder Knoten die gewichtete mittlere Position, die sich aus der Berücksichtigung früherer optimaler Positionen des Einzelnen und der Gruppe ergibt, als einen Wünschenswertigkeitspunkt. Eine solche Methode hat den Vorteil einfacher Berechnungen, aber das Halten der gewichteten Mittelposition hat zwei Nachteile: Zusätzlich zu den eigenen Lernerfahrungen unterliegt die Position jedes Knotens der historischen optimalen Position der Gruppe. Darüber hinaus nimmt der mögliche Ausbreitungsraum des Anziehungspunktes jedes Knotens immer mehr ab. Dies führt zu einem raschen Verfall der Fähigkeit zur Verringerung der Diversität bei der Bearbeitung von Mehrziel- und Verbundoptimierungsproblemen. Letztendlich verringert sich dadurch die Fähigkeit, die lokale Optimierung in einem späteren Stadium zu verlassen. Da das System in der Endphase in lokale Optima gerät, was darauf hindeutet, dass die individuellen und globalen Positionen der Partikel fast nebeneinander liegen oder sogar zusammenfallen. Um die Leistung des QPSO-Moduls zu verbessern, müssen daher angemessene Informationen über die individuellen und globalen optimalen Positionen der Knoten verwendet werden, indem ein geeignetes Verfahren gewählt wird. Um diesen Nachteil zu überwinden, wird ein differentieller Evolutionsoperator in QPSO integriert. Eine differenzielle evolutionäre Technik wird auf der Grundlage der Populationsunterschiede vorgeschlagen. Sie basiert auf der Nutzung von Wettbewerb und Kooperation zwischen Individuen zur Lösung von Optimierungsproblemen. Der differentielle Evolutionsoperator verbessert die Diversität der Population sowie das Herausspringen aus lokalen Optima. Die Positionsaktualisierung in QPSO erfolgt durch die Verwendung von: $U^{t}_{lm} = x P b e s t^{t}_{lm} + (1 - x) g b e s t^{t}_{m}$
Dabei sind Pbest^t _lm und Pgbest^t _lm die beste und die global beste Position des I^ten Sensors und des Schwarms und χ liegt zwischen 0 und 1. $A V b e s t_{m} = \frac{1}{N} \sum_{l = 1}^{N} P b e s t^{t}_{lm}$
Die Position wird bewertet durch: $P^{t + 1}_{lm} = x (P b e s t^{t}_{lm} - g b e s t^{t}_{m}) + g b e s t^{t}_{m} \pm y | A V b e s t_{m} - P^{t}_{lm} | ln (\frac{1}{r^{t}_{lm}})$
$P^{t + 1}_{lm} = x (o_{m}) + (1 - x) g b e s t^{t}_{m} \pm y | A V b e s t_{m} - P^{t}_{lm} | ln (\frac{1}{r^{t}_{lm}})$
Der Operator der differentiellen Evolution hilft, Gruppenbewegungen in einem kleinen Bereich zu vermeiden und fällt somit in die lokalen Optima, was für die Verbesserung der globalen Suchbarkeit günstig ist.
In der nächsten Phase wird ein Crossover-Operator mit QPSO eingeführt. Diese Kreuzungsoperationen fördern den Informationsaustausch zwischen den Individuen einer Gruppe, und die außergewöhnlichen Gene werden mäßig fortgesetzt, was den Fortgang des Evolutionsprozesses begleitet. Letztendlich können sich die Gruppen auf dem gewünschten Weg weiterentwickeln.
Die geschätzte Position P_l ^t+1 und die individuelle optimale Position Pbest^t _l werden für die Generierung der Testposition getrennt $Y^{M} = {Y_{}^{t} {_{l}}_{_{1}}, Y_{}^{t} {_{l}}^{2}, \dots, Y_{}^{t} {_{l}}_{_{m}}}$
die Kreuzgleichung lautet $Y_{lm}^{t + 1} = {\begin{matrix} P^{t + 1}_{lm}, {(r a n d)}_{m} < c, m = m r a n d \\ P b e s t^{t}_{lm}, o t h e r w i s e \end{matrix}$
wobei (rand)_m eine Zufallszahl mit gleichmäßiger Verteilung ist, so dass (rand)_m ∈ [0, 1] und c die Crossover-Wahrscheinlichkeit ist. Rand hingegen ist eine zufällig und gleichmäßig erzeugte ganze Zahl auf [1,M].
Schließlich ist die aktualisierte optimale Position gegeben durch: $P b e s t^{t + 1}_{lm} = {\begin{matrix} Y^{t + 1}_{lm}, ƒ (Y^{t + 1}_{lm}) < ƒ (P b e s t^{t}_{lm}) \\ P b e s t^{t}_{lm}, o t h e r w i s e \end{matrix}$
Unter Berücksichtigung der entscheidenden Rolle der Kreuzungswahrscheinlichkeit c wird diese direkt in jedem Knoten kodiert, um eine adaptive Steuerung zu erreichen.
Die Kreuzungswahrscheinlichkeit für jeden Knoten in der Population wird durch die Verwendung aktualisiert: $C_{l}^{t + 1} = {\begin{matrix} {(r a n d)}_{m} (0,1), < {(r a n d)}_{m} (0,1) < \propto \\ C^{t}_{l}, o t h e r w i s e \end{matrix}$
α ist die aktualisierte Wahrscheinlichkeit des Parameters c. Zur Vereinfachung der Abläufe wird für jeden Knoten I ein zusätzlicher binärer Vektor B_l ^t+1 eingeführt. $B_{l}^{t + 1} = {b_{l_{1}}^{t + 1}, b_{l_{2}}^{t + 1}, \dots, b_{lm}^{t + 1}}$
$b_{lm}^{t + 1} = {\begin{matrix} 1, {(r a n d)}_{m} (0,1) < C_{l}^{t + 1}, m = m r a m d \\ 0, o t h e r w i s e \end{matrix}$
$Z_{l}^{t + 1} = \frac{1}{M} \sum_{l = 1}^{M} b_{lm}^{t + 1}$
Wird der Einfluss von m_rand vernachlässigt, so folgt Z_l ^t+1 der Binomialverteilung mit M Parametern und der Wahrscheinlichkeit C_l ^t+1. Die Wahrscheinlichkeit C_l ^t+1 wird wie folgt berechnet: $C_{l}^{t + 1} = {\begin{matrix} B_{l}^{t} Z_{l}^{t + 1} + (1 - B_{l}^{t}) C_{l}^{t}, ƒ (Z_{l}^{t + 1}) < ƒ C_{l}^{t} \\ C_{l}^{t}, o t h e r w i s e \end{matrix}$
Das vorliegende System (EDCQPSO) wird mit verschiedenen PSO-Versionen anhand von zehn Benchmark-Funktionen im IEEE CEC2019 verglichen. Der Friedman-Test und der symbolische Rangtest nach Wilcoxon werden für optimale Ergebnisse bei den Benchmarks und der statistischen Analyse verwendet. Um die Leistung des vorgeschlagenen Systems zu analysieren, werden klassische Benchmark-Funktionen aus IEEE CEC2017 und IEEE CEC2019 verwendet. IEEE CEC2017 besteht aus drei unimodalen (C01-C03), sieben multimodalen (C04-C10), zehn hybriden (C11-C20) und zehn zusammengesetzten (C21-C30) Funktionen. IEEE CEC2019 besteht aus 10 Funktionen (C31-C40). Für die Leistungsanalyse wird der Friedman-Test verwendet, um die optimalen Ergebnisse aller Systeme bei den Benchmark-Funktionen gründlich zu bewerten. Zusätzlich wird der gepaarte symbolische Wilcoxon-Rangtest zur statistischen Bewertung eingesetzt, um die Varianz zwischen zwei Stichproben mit einem Signifikanzniveau von 5 % zu ermitteln.
Die Leistung von EDCQPSO wird mit sechs kürzlich entwickelten Schwarmintelligenzverfahren verglichen. Diese Techniken sind: GWO, DA, IWO, GHO, EBFO und GWO-GOA. Alle Verfahren werden in der gleichen Umgebung mit den Benchmark-Funktionen von CEC2017 simuliert, indem die für jedes Verfahren erforderlichen Parameter eingestellt werden. Die maximale Anzahl der zu erreichenden Iterationen beträgt 2000 bei einer Populationsgröße von 40 für jedes Verfahren.
Bei drei unimodalen Testfunktionen (CE01-CE03) schneidet EDCQPSO besser ab als andere Verfahren. Bei den multimodalen Testfunktionen (CE04-CE10) ist EDCQPSO für CE04, CE06 und CE09 sehr vergleichbar. GWO-GOA übertrifft jedoch alle anderen Verfahren bei CE10.
Es ist auch zu beobachten, dass die mit GWO-GOA erzielten Ergebnisse eng mit dem multimodalen EDCQPSO konkurrieren, aber der Trend ändert sich bei hybriden und zusammengesetzten Funktionen. Bei den zehn hybriden Testfunktionen (CE11-CE20), mit Ausnahme von CE14, erzielt EDCQPSO die besten Ergebnisse. Bei den hybriden Funktionen CE11, CE12, CE13, CE15, CE17 und CE19 schneidet EDCQPSO im Vergleich zu anderen Verfahren hervorragend ab. Bei den zehn Kompositionsfunktionen (CE21-CE30) schließlich übertrifft EDCQPSO die übrigen Verfahren mit Ausnahme von CE24. Es liefert den besten optimalen Wert für CE30. Die Leistungsverbesserung ist auf den vorgeschlagenen differentiellen Evolutionsoperator zurückzuführen, der Gruppenänderungen in einem kleineren Bereich und das Hineinfallen in lokale Optima vermeidet und die globale Suchbarkeit fördert.
Das vorgeschlagene System zeigt eine durchschnittliche Verbesserung von 87.65%, 81.29%, 76.98%, 70.79%, 69.68% und 66.38% im Vergleich zu den Systemen Die logarithmische Skala des optimalen Zielfunktionswertes bei Standard-Testfunktionen wird unter Berücksichtigung einer Populationsgröße von 40 mit 2000 Iterationen bewertet.
Das vorgeschlagene System zeigt bei den meisten getesteten Funktionen während des gesamten Evolutionsprozesses ein angemessenes Verhalten bis zur maximalen Iteration, während andere Methoden in lokalen Minima stecken bleiben. Ungefähr nach 600 Iterationen konvergiert EDCQPSO schnell in Richtung des globalen Optimums, da die im vorgeschlagenen System verwendeten Kreuzoperationen den Informationsaustausch zwischen den Individuen einer Gruppe fördern.
Diese außergewöhnlichen Gene werden mäßig weitergeführt, was mit dem Fortgang des evolutionären Prozesses einhergeht. Die Konvergenzrate von GWO-GOA für unimodale Funktionen ist ebenfalls vergleichbar. Im Falle der hybriden und zusammengesetzten Funktion konvergiert sie jedoch bei den ersten Iterationen schnell und bei höheren Iterationen bewegt sie sich um lokale Optima herum.
Im Durchschnitt ist EDCQPSO für unimodale, multimodale, hybride und zusammengesetzte Funktionen 34.94%, 34.39%, 31.01%, 23.18%, 19.37% und 16.27% schneller als DA, EBFO, IWO, GWO, GHO und GWO-GOA.
Die Ergebnisse zeigen, dass EDCQPSO im Vergleich zu den anderen fünf Verfahren für die meisten CEC2017-Testfunktionen besser abschneidet.
Die Leistung von EDCQPSO wird mit PSO und seinen Varianten verglichen. Wie PSO, PDQPSO, QPSO - CD, CLQPSO, und CSQPSO. All diese Techniken werden in der gleichen Umgebung mit den IEEE CEC2019 Benchmark-Funktionen simuliert, indem Parameter eingestellt werden. Die maximale Anzahl der zu erreichenden Iterationen beträgt 2000 bei einer Populationsgröße von 40 für jedes Verfahren. Für alle PSO-Technikvarianten wird die Konvergenzrate in einer logarithmischen Skala des besten Zielfunktionswerts bei den Testfunktionen analysiert. EDCQPSO erreicht die optimale Lösung mit hoher Präzision und schnellerer Konvergenzgeschwindigkeit.
Alle Ergebnisse und statistischen Analysen zeigen, dass das vorgeschlagene Verfahren die Lösungsqualität und das Konvergenzverhalten verbessert. Im Durchschnitt ist EDCQPSO für die Testfunktionen in IEEE CEC 2019 65.05 %, 53.77 %, 53.72 %, 48.19 % und 26.58 % schneller als PSO, PDQPSO, CLQPSO, QPSO-CD bzw. CSQPSO. Der Mittelwert, die Standardabweichung und der Rang des Verfahrens nach zehn Iterationen bei zehn Benchmark-Funktionen des IEEE CEC2019 werden verglichen. Die Ergebnisse zeigen, dass EDCQPSO bei den CE31-CE40-Funktionen von CEC2019 an erster Stelle steht und dann nacheinander von CSQPSO, QPSO-CD, CLQPSO, PDQPSO und PSO gefolgt wird. Das vorgeschlagene System zeigt eine durchschnittliche Verbesserung von 76.52 %, 65.38 %, 54.72 %, 47.90 % und 43.75 % im Vergleich zu PSO, PDQPSO, CLQPSO, QPSO-CD bzw. CSQPSO. Das vorgeschlagene System hat seine globale Suchfähigkeit im Vergleich zu den anderen optimalen Methoden bei allen Testfunktionen verbessert.
Ein neuartiges hybrides, erweitertes Differential-Crossover-Quanten-PSO-System wird für IoT-Anwendungen vorgeschlagen, bei denen eine Echtzeitverarbeitung in Gegenwart mehrerer realistischer Einschränkungen erforderlich ist. Das System verwendet Quanten-PSO, einen differenziellen Evolutionsoperator und einen Crossover-Operator. Die Leistung und die Ergebnisse der vorgeschlagenen Technik werden mit dreißig Benchmark-Funktionen des IEEE CEC2017 und mit zehn Testfunktionen des IEEE CEC2019 validiert. Die Systemleistung wird auch mit anderen bestehenden Optimierungstechniken und PSO-Varianten verglichen. Die Ergebnisse des vorgeschlagenen Systems weisen kleinere Fitnesswerte, eine hohe Präzision und eine schnellere Konvergenz auf. Das System wird zur Lokalisierung von IoT-Knoten in einer Smart-Parking-Anwendung verwendet, und der durchschnittliche Lokalisierungsfehler wird im Vergleich zur bestehenden Technik um bis zu 25 % reduziert.
Die Figur und die vorangehende Beschreibung geben Beispiele für Ausführungsformen. Der Fachmann wird verstehen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ dazu können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente aus einer Ausführungsform können einer anderen Ausführungsform hinzugefügt werden. So kann beispielsweise die Reihenfolge der hier beschriebenen Prozesse geändert werden und ist nicht auf die hier beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen eines Flussdiagramms nicht in der gezeigten Reihenfolge ausgeführt werden; auch müssen nicht unbedingt alle Aktionen durchgeführt werden. Auch können diejenigen Handlungen, die nicht von anderen Handlungen abhängig sind, parallel zu den anderen Handlungen ausgeführt werden. Der Umfang der Ausführungsformen ist durch diese spezifischen Beispiele keineswegs begrenzt. Zahlreiche Variationen sind möglich, unabhängig davon, ob sie in der Beschreibung explizit aufgeführt sind oder nicht, wie z. B. Unterschiede in der Struktur, den Abmessungen und der Verwendung von Materialien. Der Umfang der Ausführungsformen ist mindestens so groß wie in den folgenden Ansprüchen angegeben.
Vorteile, andere Vorzüge und Problemlösungen wurden oben im Hinblick auf bestimmte Ausführungsformen beschrieben. Die Vorteile, Vorzüge, Problemlösungen und Komponenten, die dazu führen können, dass ein Vorteil, ein Nutzen oder eine Lösung auftritt oder ausgeprägter wird, sind jedoch nicht als kritisches, erforderliches oder wesentliches Merkmal oder Komponente eines oder aller Ansprüche zu verstehen.
Bezugszeichenliste

100: Ein System für Differential Crossover und Quanten-Partikelschwarm-Optimierung.
102: Initialisierungsmodul
104: Erzeugungsmodul
106: Berechnungsmodul
108: Differenzielle Evolution - Betriebsmodul
110: Aktualisierungsmodul

Claims

Differentielles Crossover- und Quantum-Partikelschwarm-Optimierungssystem (100), wobei das System (100) eine Vielzahl von wiederholten Iterationszyklen umfasst, wobei jeder der wiederholten Iterationszyklen Folgendes umfasst: ein Initialisierungsmodul (102) zum Initialisieren einer Vielzahl von Parametern, wie z.B. der aktuellen Position jedes Knotens einer Vielzahl von Knoten im Schwarm und zum Zusammenstellen; ein Erzeugungsmodul (104), das mit dem Initialisierungsmodul (102) verbunden ist, um eine Anfangspopulation eines Schwarms in einem definierten Raum und einem Testort zu erzeugen; ein Berechnungsmodul (106), das mit dem Erzeugungsmodul (104) verbunden ist, um eine mittlere optimale Position des Knotens im Schwarm und einen Testort zu bestimmen; ein mit dem Berechnungsmodul (106) verbundenes Differenzialentwicklungs-Betriebsmodul (108) zum Aktualisieren der aktuellen Position jedes Knotens aus der Vielzahl der Knoten; und ein Aktualisierungsmodul (110), das mit dem Berechnungsmodul (108) verbunden ist, zum Aktualisieren der Kreuzungswahrscheinlichkeit bei der Bestimmung von Werten des erzeugten Testortes und zum Aktualisieren einer individuellen optimalen Position der Knoten.
System nach Anspruch 1, wobei die aktuelle Position jedes Knotens aus einer Vielzahl von Knoten im Schwarm auf Null initialisiert wird.
System nach Anspruch 1, wobei das Berechnungsmodul (106) die mittlere optimale Position durch Auswertung der besten Position für den Schwarm bestimmt.
System nach Anspruch 1, wobei ein Identifikationsmodul den Anziehungspunkt und die charakteristische Länge der Vielzahl von Knoten identifiziert.
System nach Anspruch 1, wobei das Aktualisierungsmodul (110) einen adaptiven Wert von Dimensionen für jeden der Vielzahl von Knoten bestimmt, um die Kreuzungswahrscheinlichkeit zu aktualisieren, wobei die individuelle optimale Position jedes der Vielzahl von Knoten aktualisiert wird.
System nach Anspruch 5, wobei das Aktualisierungsmodul (110) fortfährt, die Position des Knotens zu aktualisieren, bis eine wünschenswerte, global beste Lösung erreicht ist oder das vorgegebene Ziel der Iterationen erreicht ist, wobei die nächste Position des Knotens in jeder Iteration bestimmt und die Geschwindigkeit aktualisiert wird.
System nach Anspruch 1, wobei das Erzeugungsmodul (104) die Position jedes der mehreren Knoten schätzt, wobei die geschätzte Position und die individuelle optimale Position zur Erzeugung der Testposition getrennt werden.