[发明专利]一种基于高斯分布QPSO算法的工程优化求解方法

说明书

本发明提供了一种基于高斯分布QPSO算法的工程优化求解方法，包括：在可行的搜索空间中初始化粒子群；评估粒子的适应度值并更新其位置，同时更新粒子在迭代中的局部吸引子和迭代时个人最佳位置的平均值；更新迭代的方差、权重序列、加权最佳均值；若满足迭代结束条件，则结束迭代，输出评估的种群粒子的适应度值。本发明针对工程优化问题中出现的种群容易过早收敛以及后期局部搜索能力差的问题，有效提高解决工程优化问题的有效性和鲁棒性。

技术领域

本发明涉及计算机人工智能技术领域，具体但不限于涉及一种基于高斯分布QPSO算法的工程优化求解方法。

背景技术

大多数工程优化问题(EOPs)都可以归结为约束优化问题(COPs)，COPs包含限制可行搜索区域的多个不同约束(即，相等约束和不平等约束)。由于COPs通常具有混合、连续或离散的目标函数和非线性约束，因此它们比无约束优化问题更难解决。

一般来说，有两种解决COPs的方法，分别是传统的数学编程方法和元启发式算法(MHAs)。目前已经实现了各种传统的数学规划方法来解决诸如线性规划、同质线性规划、整数规划、动态规划和非线性规划等问题，这些方法使用梯度信息来搜索初始起点附近的解决方案空间。通常，基于梯度的方法收敛得更快，并且可以获得比局部搜索任务上的随机方法更高的精度。但是，由于COPs通常不是连续函数，因此很难找到一个好的初始点并计算复杂的导数。相反，随机优化方法的MHA已经显示出解决COP的显着性能。通过在搜索空间中使用概率采样而不是确定性搜索规则来更新当前解决方案，MHA可以在执行优化任务时探索和检测搜索空间中的有希望的区域。各种各样的MHAs被用来处理COPs，其中包括遗传算法(GA)、粒子群优化(PSO)、社会文明算法(SC)和微分进化(DE)等。最近，提出了一些替代辅助进化算法，如全局和局部替代辅助DE方法和替代辅助分类协作DE方法，以降低解决昂贵COPs的计算成本。

在所有这些MHA中，规范PSO已被广泛用于解决复杂的优化问题，因为它具有快速的搜索速度，强大的全局搜索能力以及易于实现的特点。然而，在一些复杂的情况下，特别是在解决高维度和多约束条件的COPs时，经常出现鲁棒性不足，收敛过早和开发PSO不平衡的情况。为了缓解这些问题，已经提出了许多改进的PSO方法。这些PSO变体的目标主要是防止过早收敛并提高收敛速度。他和王介绍了一种有效的协同进化粒子群优化(CPSO)算法来解决COP。杨修改了粒子的更新公式，提出了提出了加速粒子群优化(APSO)，APSO从规范的PSO中去除了粒子速度矢量，因此群的粒子仅由它们的位置矢量表示。随后，Najeh将粒子的记忆结合起来以增加群体多样性，并提出了一种改进的加速粒子群优化IAPSO，它在许多COP上表现良好。为了捕获粒子的所有邻居的信息，研究人员提出了有限信息PSO(LIPSO)。与完全基于信息的PSO(FIPSO)相比，该算法使用相对有限的源提供足够的信息。Ran等人提出了一种用于大规模全局优化问题的竞争群体优化器(CSO)，其中每个粒子的个人最佳位置和全局最佳位置都不涉及更新粒子。通过结合最佳人类学习策略寻找最优解，Tanweer等人提出了一种自调节粒子群优化(SRPSO)算法。此外，受物理理论的启发，一些研究人员对经典PSO模型进行了一些修改。例如，量子行为粒子群优化(QPSO)算法是PSO的一种变体，在解决无约束优化问题方面表现出了卓越的性能。Coelho提出了高斯量子行为粒子群优化(GQPSO)算法，以提高QPSO在搜索过程后期的局部搜索能力。在G-QPSO算法中，对于QPSO的随机系数，通过具有零均值和单位方差的高斯分布生成随机数，使得粒子可以避免远离当前位置移动并逃离局部最小值。随机漂移粒子群优化(RDPSO)是受放置在外部电场中的金属导体中的自由电子模型启发的另一种PSO变体。添加一些算子或将其他现有算法与规范PSO模型相结合以生成新的混合算法是提高PSO算法性能的另一种有效且重要的方法。例如，Khamsawang等人提出了一种混合PSO-DE算法来提高PSO的局部搜索能力，该算法在经济调度问题上表现良好。遗传学习粒子群优化算法(GLPSO)使用遗传进化为PSO培育了有前途的示例，文献中42个基准函数的GLPSO和其他测试算法的性能比较验证了算法的有效性、效率、鲁棒性和可扩展性。