[发明专利]一种对引力搜索优化算法中粒子记忆性改进的方法

说明书

技术领域

本发明涉及一种对引力搜索优化算法中粒子记忆性改进的方法，属于智能优化算法领域。

背景技术

引力搜索优化算法是一种群智能优化算法，其根本思想是基于牛顿的万有引力定律：“在宇宙间，每一个粒子由于万有引力的作用而彼此相互吸引，引力的大小与粒子的质量成正比，与他们之间的距离成反比”。

由于引力搜索算法中仅仅只有当前的位置信息在迭代更新过程中起作用，可知引力搜索算法是一种缺乏记忆性的算法，在当粒子运动到最优解或者比较接近最优解时，粒子的速度是不断加快的(根据万有引力公式，引力的大小是与距离成反比关系)，当到达最优解或接近最优解时，粒子的速度可能会很大(存在随机性)，根据运动学规律可知，这种情况会导致粒子在最优解的附近反复来回震荡，导致整个优化算法搜索精度不高，特别是高维函数优化性能不佳，优化过程容易早熟的现象。

发明内容

针对以上技术的不足，本发明的目的在于将粒子记忆性的思想引入到引力搜索算法中，以改善该算法中粒子的个体记忆性，提高算法的搜索能力。

一种对引力搜索优化算法中粒子记忆性改进的方法，主要是将种群粒子的历史最优值和粒子的个体历史最优值引入到引力搜索算法中，主要的步骤包括以下几点：

步骤一：对于每个粒子，将其当前位置的适应值与其个体在运动历史过程中最好位置的适应值进行比较，若当前位置的适应值优于其个体在运动历史过程中最好位置的适应值，则将当前的位置值赋予个体最好位置值。步骤二：对于每个粒子，将其当前位置的适应值与粒子群体所经历全局最好位置的适应值，若当前位置的适应值优于全局最好位置的适应值，则将当前的位置值赋予全局最好位置值。步骤三：将粒子个体最优解和全局最优解引入到粒子速度更新公式中，修正粒子的速度更新公式，并且引入协调因子的概念，用于调整所记忆的历史信息在优化过程中的影响比例。

本发明的优点在于：

将粒子记忆性的思想引入到引力搜索算法中，用以提高该算法中粒子的个体记忆性，对粒子的速度更新方式进行修正，这样粒子的速度信息更新不仅得取决于整个系统中其他粒子的共同作用，还受到它自身记忆的影响，使其对最优解具有良好的搜索能力。

附图说明

图1本发明方法改进后的优化算法流程图

图2粒子记忆性改进部分结构示意图

具体实施方式

下面结合附图对本发明的具体实施方式做进一步说明。

一种对粒子记忆性改进的引力搜索优化算法方法，步骤主要包括以下几点：

步骤一：明确整个引力场的搜索空间。从目标问题中获取整个问题的空间范围。

步骤二：随机初始化种群中各个粒子的位置，设定引力场中粒子数目和最大迭代次数。初始化空间位置信息主要是依据步骤一中所明确的搜索空间，粒子的数目为N，最大迭代次数为T。

步骤三：根据目标问题，计算每个粒子的适应值，记忆粒子历史最佳位置信息。每个粒子的位置就是一个潜在解，将X_i代入目标函数就可以计算出其适应值，而粒子个体经历的最好值记为整个群体所有粒子经历过的最好位置记为gbest＝(gbest¹，gbest²，…，gbest^D)，而粒子的记忆性就体现在了pbest和gbest这两个量中。

步骤四：更新万有引力公式中的引力系数、粒子的惯性质量、整个种群中粒子位置的最佳值和最差值。根据式(1)和式(2)，可计算出每个粒子的惯性质量M_i(t)：