[发明专利]一种高效的基于鱼群扑食行为的改进粒子群算法

说明书

技术领域

本发明属于进化算法技术领域，涉及一种粒子群优化算法，具体涉及一种高效的基于鱼群扑食行为的改进粒子群算法。

背景技术

粒子群优化算法(Particle Swarm Optimization，PSO)是由Kennedy和Eberhart通过对鸟群某些社会行为的观察研究，提出的一种新颖的进化算法。由于PSO设置参数少，容易实现，可用于解决大量的非线性、不可微和多峰值等的复杂优化问题，已成功应用于参数优化、特征提取、旅行商问题、模式识别等诸多领域。但在复杂的优化问题中，粒子群算法存在早熟收敛，很容易陷入局部最优解。Angeline等人借鉴遗传算法思想提出杂交PSO算法概念，提高了算法的收敛速度和精度。Peram等人于2003年提出的基于粒子群优化的适应值-距离-比例算法(Fit ness-Distance-Ratio based Particle Swarm Optimization，FDR-PSO)，算法中每个粒子根据一定的适应值-距离-比例原则，向附近具有较好适应值的多个粒子进行不同程度的靠近，而不仅仅向当前所发现的最好粒子靠近。此算法改善了PSO算法的早熟收敛问题，在优化复杂函数方面，其性能得到了较大改善。Bergh提出了协同PSO(Cooperative Particle Swarm Optimizer，CPSO)，使粒子更容易跳出局部极小点，达到较高收敛精度。为防止PSO算法陷入局部最优，Liang等人于2006年提出了综合学习粒子群优化算法(Comprehensive Learning Particle Swarm Optimizer，CLPSO)，使得每个粒子的速度更新基于所有其它粒子的历史最优位置，从而达到综合学习的目的。Bergh提出了协同PSO(Cooperative Particle Swarm Optimizer，CPSO)，使粒子更容易跳出局部极小点，达到较高收敛精度。为防止PSO算法陷入局部最优，Liang等人于2006年提出了综合学习粒子群优化算法(Comprehensive Learning Particle Swarm Optimizer，CLPSO)，使得每个粒子的速度更新基于所有其它粒子的历史最优位置，从而达到综合学习的目的。吴晓军通过分析搜索中心的概率分布,提出了搜索中心在两个极值间均匀分布的均匀搜索PSO(Uniform Search Particle Swarm Optimization,UPSO)算法，该算法搜索效率高，收敛性能好。

上述算法在优化复杂高维多模函数时，仍容易陷入局部最优。

发明内容

为了解决上述的技术问题，本发明模拟鱼群扑食的行为，提出了一种高效的基于鱼群扑食行为的改进粒子群算法。

本发明所采用的技术方案是：一种高效的基于鱼群扑食行为的改进粒子群算法，其特征在于，包括以下步骤：

步骤1：初始化高效的基于鱼群扑食行为的改进粒子群算法的参数，所述的参数包括群体个数n、最大迭代次数maxk、惯性权重w、学习因子c₁和c₂、搜索粒子数m、搜索因子c₃和范围因子c₄，其中0≤m≤n/10；

步骤2：对改进粒子群中每个粒子的位置和速度进行更新；

步骤3：当前全局最优的粒子通过m个随机粒子提供的自身最优位置信息，寻找当前全局更优的位置；

步骤4：将当前全局最差粒子附近的弱小粒子通过随机产生的粒子进行替换；

步骤5：判断，高效的基于鱼群扑食行为的改进粒子群算法是否收敛或者是否达到最大迭代次数？

若是，则输出全局最优解的位置，这个位置即为优化问题的解；

若否，则回转执行所述的步骤2。

作为优选，步骤3的具体实现过程为，随机选择m个粒子，它们自身的最优位置为：P₁,P₂,...,P_m，当前全局最优粒子第j个方向搜索的位置为：