[发明专利]一种利用云模型对粒子群优化的改进方法

说明书

本发明提出了一种利用云模型对粒子群优化的改进方法，包括：对于每个粒子计算每次迭代最佳适配值的距离；获取粒子历史最佳位置和所有粒子中最佳位置；计算粒子的速度惯性项、第一学习率和第二学习率；计算粒子收敛速度；根据粒子当前位置和计算得到的粒子收敛速度，更新粒子的位置信息。本发明利用云模型对原有的粒子群算法进行改进，比原有粒子群算法加快了收敛速度，减少了计算时间，比原有粒子群算法获得更好的优化结果。

技术领域

本发明涉及粒子群优化技术领域，特别涉及一种利用云模型对粒子群优化的改进方法。

背景技术

智能优化算法粒子群优化算法(PSO)是一种新兴的优化技术，其思想来源于食鱼鹰 的捕食过程。该算法通过粒子追随自己找到的最好解和整一个群的最好解来完成优化。该算法简单易实现，可调参数少，已得到广泛研究和应用。但是由于在工程实际中一 方面粒子计算时间较长，另一方面算法参数的选定带有一定的不确定性，需对其进行 适当改进。云模型(Cloud model)是一种定性和定量转换模型。针对概率论和模糊数学 在处理不确定性方面的不足，在概率论和模糊数学的基础上云的概念被提出，并解释 了模糊性和随机性及两者之间的关联性。云模型已成功的应用到数据挖掘、决策分析、 智能控制、进化计算等众多领域。

发明内容

本发明的目的旨在至少解决所述技术缺陷之一。

为此，本发明的目的在于提出一种利用云模型对粒子群优化的改进方法。

为了实现上述目的，本发明的实施例提供一种利用云模型对粒子群优化的改进方法， 包括如下步骤：

步骤S1，对于每个粒子计算每次迭代最佳适配值的距离e_i，i为粒子标号；

步骤S2，采用快速排序方式获取粒子历史最佳位置p_id和所有粒子中最佳位置p_gd，d为维度；

步骤S3，根据e_i计算粒子的速度惯性项ω、第一学习率和第二学习率

步骤S4，根据p_id、p_gd、ω、和计算粒子收敛速度v_id；

步骤S5，根据粒子当前位置x_id和计算得到的粒子收敛速度v_id，更新粒子的位置信息。

进一步，在所述步骤S3中，ω＝cloud1(e_i)，

进一步，在所述步骤S4中，其中，rnd()标识随机数。

进一步，在所述步骤S5中，更新后的粒子位置信息X_id为:

x_id＝x_id+v_id。

根据本发明实施例的利用云模型对粒子群优化的改进方法，利用云模型的定性和定量 转换概念对粒子群算法进行改进，一方面加快粒子群算法的收敛速度，一方面防止收敛速 度的加快而得到局部极值。根据每次迭代之间的最佳适配值的距离，来调整惯性项ω、两 个学习率和减小对参数的人为调整。本发明利用云模型对原有的粒子群算法进行 改进，比原有粒子群算法加快了收敛速度，减少了计算时间，比原有粒子群算法获得更好 的优化结果。本发明已经被运用于电磁阀优化，稳压器优化，测井曲线分析等机械、核能 和石油领域。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显 和容易理解，其中：