[发明专利]一种基于PSO算法求解模糊期望值模型问题的混合智能算法

权利要求书

1.一种基于PSO算法求解模糊期望值模型问题的混合智能算法，其特征在于，包括如下步骤：

S1：利用模糊模拟的期望值估计算法为不确定函数U1，U2产生输入输出数据：(xt，yk)，其中，t，k分别为输入、输出神经元的个数；利用线性函数转换法对xt，yk分别进行归一化预处理，以归一化后的输入输出数据作为训练样本；

U1：X→E[f(x，ξ)]

U2：X→E[g_j(x，ξ)]

S2：利用以上训练样本训练一个BP神经网络以逼近不确定函数U1，U2；

S3：在d维问题空间上对微粒群进行初始化：设定群体规模为popsize，在决策向量X的可行域中产生一随机数，归一化后利用神经网络计算网络的仿真输出值并进行反归一化，然后检验该随机数的可行性，重复该过程popsize次，从而得到popsize个初始可行的微粒：

X_i＝(x_i1，x_i2，…，x_id)i＝1，2，…，popsize，然后再对速度等进行初始化；

S4：利用训练好的神经网络计算每个归一化后微粒的网络仿真输出值，并进行反归一化，作为每个微粒的适应值；

S5：对每个微粒，将其适应值与所经历的最好位置的适应值进行比较，若较好，则将其作为当前最好位置；

S6：对每个微粒，将其最好适应值与全局所经历的最好适应值进行比较，若较好，则将其作为当前的全局最好位置；

S7：根据以下方程进化：

V_id＝ω*V_id+c₁*rand()*(P_id-X_id)+c₂*(P_gd-X_id)(1)

Vid=Vmax,ifVid>VmaxVid=-Vmax,ifVid<-Vmax---(2)]]>

X_id＝X_id+V_id1≤i≤N(3)

式中，ω为惯性权重，c1，c2为正的加速度常数；rand()为[0，1]上均匀分布的模糊数；Pid、Pgd分别为个体极值、全局极值的第d维分量；在(2)中对微粒的最大速度进行了最大限制：如果当前对微粒的加速将导致它的某维的速度分量V_id超过该维的最大速度限额Vmax，则该维的速度被限制为Vmax，它决定了微粒在解空间的搜索精度，如果Vmax过大，粒子容易飞过最优解，反之，粒子容易陷入局部搜索空间而无法进行全局搜索，若问题的搜索空间限制在[-Xmax，Xmax]内，则可设定Vmax＝k*Xmax，0.1≤k≤1.0；

S8：对更新后的微粒再次进行归一化处理；

S9：利用神经网络计算网络的仿真输出值并进行反归一化，然后检验微粒的可行性，若可行，则接受，否则保持原位置不变；

S10：重复step4至step9至一个预设的最大迭代次数或一个足够好的适应值；

S11：给出最好的微粒及对应的适应值作为最优解及对应的最优值。