[发明专利]一种基于优胜劣汰、步步选择的粒子群优化方法

说明书

技术领域

本发明涉及一种改进粒子群优化方法，尤其涉及一种基于优胜劣汰、步步选择的粒子群优化方法。

背景技术

粒子群优化方法(英文缩写为PSO)是利用群体智能原理建立简化模型，模拟鸟类的觅食行为。其基本原理有以下几个内容：首先把每个个体看作一个没有体积的微粒，所有微粒组成了微粒群，在空间内进行搜索；其次，群体在搜索空间中以一定的速度飞行，粒子的飞行速度由微粒本身和同伴的飞行经验不断的调整；最后进行微粒适应度值的计算，根据适应度的大小衡量微粒的优劣，通过优化选择找出微粒个体最优值以及整个群体的最优值。

在进化过程中，粒子群优化方法易陷入局部极值，即在达到一定的优化精度后，可能很难再找到更好的解；微粒群过早收敛，使整个种群的进化停滞。为了克服上述缺陷，各领域的研究人员及学者们相继提出了各种改良措施，经历了许许多多的变形和改进。

发明内容

本发明的目的是解决现有粒子群优化方法的不足，提出的一种基于优胜劣汰、步步选择的粒子群优化方法(英文缩写为SSPSO)。该方法能够保证搜索在全局范围内展开，避免陷入局部极值，提高收敛速度，进而影响搜索能力。

本发明粒子群优化方法的基本原理是：在操作过程中将粒子分成两组，第一组的粒子是优势粒子，第二组的粒子是劣势粒子。先通过种群在全局范围内搜索解空间，增强全局搜索能力；每次进化完成后，保留种群中最好的m个粒子，并选择较好的这些粒子的位置空间作为新的解空间，在新的解空间中选取新的粒子代替种群中较差粒子的位置。这样就可以步步逼近最优粒子，找到最优解，增强了寻优能力。

本发明粒子群优化方法的步骤包括以下步骤：

(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。

(2)迭代迅优，记录当前迭代步数，并计算每个粒子的适应度值，对粒子适应度进行优劣评价。

(3)按粒子优劣度排列函数，并将相应的粒子位置进行排序。

(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(本专利选择预测误差均方值的大小作为粒子适应度值)，并将这m个粒子的位置范围作为新的解空间。

(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。

(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；

(7)、判断算法是否收敛，是否达到迭代终止条件(达到最大迭代步数或满足收敛精度要求)。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。