[发明专利]基于历史经验和实时调整相结合的粒子群优化算法

权利要求书

1.基于历史经验和实时调整相结合的粒子群优化算法，包括如 下步骤：

⑴基本的粒子群优化算法。

⑵粒子群算法的改进。

⑶改进粒子群算法的计算流程。

⑷仿真实验与分析。

2.根据权利要求1所述的基于历史经验和实时调整相结合的粒 子群优化算法，其特征在于：为了实现信息的充分分享，增强引导信 息的有效性，本发明对速度更新公式进行两方面的改进：一方面改进 是在基本速度更新公式中增加粒子对自己不好历史经验认知的项，这 样可以指导和鼓励粒子更有效全面的研究学习历史经验，不仅可以使 粒子记住自己和群体过去好的学习经验，还可以研究学习自身不好的 学习经验，在学习过程中加强自身信息的利用，减少或避免对历史较 差解空间的重复搜索，增加粒子运动过程中寻找到比当前信息更优解 的概率，另一方面改进是用所有粒子个体最优值的平均值替代速度更 新公式中个体最优值最差粒子的个体最优值，这样可以增加粒子种群 的多样性，加强其他粒子好的信息对搜索状态较差粒子的引导，增大 搜索到全局最优值的概率，同样也是对所有粒子好的学习经验的应 用，能增强粒子的活性，保证了算法的全局探索能力，因此，本发明 提出新的速度更新公式：

vijt+1=ωvijt+c1r1(Pjt-xijt)+c2r2(pgjt-xijt)+c3r3(xijt-Pworst,ijt)]]>

式中，c₁﹑c₂和c₃为加速度系数，c₁体现粒子个体经验对粒子运行 轨迹的影响力，c₂体现粒子群体经验对粒子运行轨迹的影响力，c₃体 现粒子不好的学习经验对粒子运行轨迹的影响力，r₁﹑r₂和r₃为(0,1) 内均匀分布的随机数，表示粒子i在t次迭代过程中自我比较适应 度值最差时的位置，即所有粒子取得个体最优值时，将其相 同维数上的位置取平均值后得到的个体平均最优位置。

3.根据权利要求1所述的基于历史经验和实时调整相结合的粒 子群优化算法，其特征在于：粒子群算法的搜索过程是非线性和高度 复杂的，线性和非线性递减的惯性权重没有取自当前最佳搜索状态的 信息，不能真正反映实际的搜索过程，如果当前最佳搜索状态的粒子 适应性没有显著提高，惯性权重就应下降缓慢，因为粒子仍然需要进 行全局搜索，如果当前最佳搜索状态的粒子适应性有显著提高，惯性 权重就应快速下降来促进粒子局部搜索，因为算法达到了全局最优状 态的附近，此时主要的目标是实现更好的准确性，因此本发明对惯性 权重ω进行基于每个粒子的适应度值自适应地实时调整每个粒子的 惯性权重，具体步骤如下：

(1)求每个粒子的适应度值，并求出所有粒子适应度值的平均 值，

(2)取出适应度值大于平均适应度值的粒子，计算出它们的平 均适应度值f_av1，让适应度值大于f_av1的粒子取最大的惯性权重值，

(3)取出适应度值小于平均适应度值的粒子，计算出它们的平 均适应度值f_av2，让适应度值小于f_av2的粒子取最小的惯性权重值，

(4)根据自适应动态调整策略，将适应度值在f_av1，f_av2之间的 粒子取在最大和最小惯性权重之间二次递减的惯性权重值，

ωi=ωmaxfi>fav1ωmax-(ωmax-ωmin)(fav1-fifav1-fav2)2fav2≤fi≤fav1ωminfi<fav2]]>

式中，ω_min﹑ω_max﹑ω_i分别是最小的惯性权重值﹑最大的惯性权重 值﹑粒子i的惯性权重值。