[发明专利]函数优化方法、装置及系统

说明书

本发明提供一种函数优化方法、装置及系统，其中方法包括确定与实际应用场景对应的目标函数和决策变量；基于与实际应用场景对应的目标函数和决策变量，构建相匹配的细菌趋药性函数优化算法的系统模型；对细菌趋药性函数优化算法的系统模型执行函数优化操作，获得使目标函数最优化的决策变量最优解；其中函数优化操作中决策变量的移动步长随着迭代次数的增加呈减小趋势；输出决策变量最优解，以用于实际应用场景。本发明提供在细菌趋药性函数优化算法的函数优化过程中实现移动步长由大至小趋势方案，从而提升细菌趋药性函数优化算法的收敛性和优化速率。此外，针对多目标细菌群体趋药性算法的系统模型中还提供定向变异策略来改善细菌群体的分布性。

技术领域

本发明涉及自动化决策技术领域，尤其涉及函数优化方法、装置及系统。

背景技术

在众多函数优化算法中，有很多源于大自然生物过程的启迪，例如细菌趋药性函数优化算法来源于细菌趋向引诱剂的运动行为。细菌趋药性函数优化算法按目标函数数量和决策空间中的细菌数量可以分为：

采用单个细菌对单个目标函数进行函数优化的细菌趋药性算法，采用细菌群体对单个目标函数进行函数优化的细菌群体趋药性算法，和，采用细菌群体对多个目标函数进行函数优化的多目标细菌群体趋药性算法。细菌群体的寻优速度大于单个细菌的寻优速度。

细菌趋药性函数优化算法借鉴于细菌趋向引诱剂的运动行为，其大概执行过程为：在决策空间中设置单个决策变量或多个决策变量(相当于单个细菌或细菌群体)、单目标函数或多目标函数(相当于一处或多处引诱剂)，并设置决策变量的位置调整规则。

在一次迭代中基于位置调整规则调整决策变量的移动方向和移动步长(也即决策变量的新位置与原位置于移动方向上的距离变化量)，基于移动方向和移动步长可以确定新位置；若新位置对应的目标函数值更优(相当于引诱剂浓度上升)的话则移动至新位置；相反，新位置对应的目标函数值更劣(相当于引诱剂浓度下降)的话则维持原位置，从而完成一次迭代；在不断迭代中获得决策变量的最优位置。

为了体现决策变量的新位置具有随机移动性，利用概率分布函数来确定移动步长。因此在函数优化过程中确定新位置所使用的移动步长是随机变化的，时而变大、时而变小。

但是，在细菌趋药性函数优化算法中随着迭代次数的增加，决策变量的当前位置会越来越接近于最优位置(相当于细菌会越来越趋向于引诱剂)。在移动步长是随机变化的情况下，有可能在距离引诱剂较近的原位置处，移动至距离引诱剂较远的新位置处，导致函数优化过程的收敛性较差、优化速率较低。

发明内容

在发明人研究过程中发现：通常情况下在函数优化过程中细菌趋药性函数优化算法的系统模型参数是不变的，通过固定的系统模型来进行函数优化。

在某篇论文提出在函数优化过程中可以不断优化细菌趋药性函数优化算法的系统模型，例如采用全体参数自适应更新策略优化系统模型参数，获得优化系统模型，在优化系统模型的基础上再进行函数优化，以达到更优效果。

在系统模型优化过程中会设置优化精度，在采用全体参数的自适应更新后，提出可以基于优化精度来调整移动步长。在优化精度较低时设置移动步长较大；在优化精度较高时确定细菌已经到达最优位置范围附近，此时设置移动步长减小。

但是，该篇论文仅适用于具有优化精度的情况，在不具有优化精度的情况便不再适用。即，在采用固定的系统模型来进行函数优化的过程中不具有优化精度的情况下无法适用。且，在优化细菌趋药性函数优化算法的系统模型情况下，无法采用除优化精度之外的其它方式调整移动步长。

鉴于此，本发明提供一种函数优化方法、装置及系统，在细菌趋药性函数优化算法的函数优化过程中实现移动步长由大至小趋势方案，从而提升细菌趋药性函数优化算法的收敛性和优化速率。

为了实现上述目的，本申请提供了下述技术特征：

一种函数优化方法，包括：