[发明专利]一种基于优胜劣汰、步步选择的粒子群优化方法

权利要求书

1.一种基于优胜劣汰、步步选择的粒子群优化方法，其特征在于，该方法包括以下步骤：

步骤(1)、设置初始参数：设粒子群内有若干个粒子，随机产生各粒子的初始位置与初始速度，限定任意时刻粒子的速度和位置的取值范围，设定迭代终止条件，设置学习因子、惯性权重、粒子总个数；

步骤(2)、迭代寻优，记录当前迭代步数，并以预测误差均方值的大小作为粒子适应度值，计算每个粒子的适应度值，对粒子适应度进行优劣评价，得出粒子优劣度；

步骤(3)、按粒子优劣度大小排列函数，并将相应的粒子位置进行排序；

步骤(4)、从粒子总个数为M个粒子群中选取并保留适应度较好的m个粒子，并将所述m个粒子的位置范围作为新的解空间，

步骤(5)、在新的解空间内重新选择M-m个粒子代替适应度较差的M-m个粒子，构造出新的粒子群；

步骤(6)、评价上述构造出的新的粒子群中的各粒子的适应度值，并据此更新各粒子的历史最优值及粒子群的全局最优值；按照式(1)更新粒子群中每个粒子的速度，按照式(2)更新粒子群中每个粒子位置；

v_ij(t+1)＝w*v_ij(t)+c₁*r_1j(t)*(G_ij(t)-P_ij(t))+c₂*r_2j(t)*(G_gi(t)-P_ij(t))  (1)

P_ij(t+1)＝P_ij(t)+0.5v_ij(t+1)  (2)

式(1)和式(2)中：

下标j：表示粒子的第j维；

下标i：表示第i个粒子；

P_i：第i个粒子的当前位置；

v_i：粒子的当前速度；

G_i：所经历的历史最好位置；

t：进化到的代数；

c₁、c₂：学习因子；

r₁、r₂：在[0，1]范围内变化的随机常数；

w：惯性权重，用于平衡粒子群算法的全局和局部搜索能力，决定粒子先前速度对现在速度的影响大小；

步骤(7)、判断算法是否收敛，是否达到迭代终止条件，其中，以达到最大迭代步数或满足收敛精度要求为迭代终止条件，若达到迭代终止条件，迭代结束，并输出全局最优粒子的相关参数，否则返回步骤(2)继续迭代，直到满足迭代终止条件。