[发明专利]基于飞行时间线性递减的粒子群优化方法

说明书

技术领域

本发明涉及粒子群领域，具体涉及粒子群飞行时间的研究领域。

背景技术

粒子群优化方法(PSO)是近年来广为关注和研究的一种智能优化方法，Ebrhart和Kennedy于1995年共同提出的一种新方法，其基本思想是受早期对一些鸟群行为进行建模与仿真研究结果的启发，他们的模型及仿真方法主要利用生物学家Hepper的模型。在他的仿真中，鸟在一块栖息地附近聚集，这块栖息地吸引着鸟，直到它们都落在这块地上，Hepper的模型中鸟是直到栖息地的位置的，但在实际情况中，鸟类在刚开始是不知道食物的所在地的。所以Kennedy认为鸟之间存在着互相交换信息，于是他们在仿真中增加了一些内容：每个个体能够通过一定规则估计自身位置的适应值；每个个体能够记住自己当前所找到的最好位置，称为局部最优pbest，此外还记住群体中所有鸟中找到的最好位置，称为全局最优gbest。这两个最优变量使得鸟在某种程度上朝这些方向靠近，。他们综合这一切内容，提出了实际鸟群的简化模型，即我们所说的粒子群方法。

作为智能优化方法的重要分支，粒子群优化方法具有许多不可比拟的优越性能，如：易实现、易理解、收敛速度快、控制参数少、有较强的全局搜索能力。目前，该方法已成功应用于函数优化、神经网络、模式识别等诸多领域。

粒子群优化方法是一种群体智能方法。由于它具有许多优点，所以一提出来就收到广泛关注。然而，基本粒子群方法存在易陷入局部最优导致的收敛速度慢，精度低等问题。

近些年，对PSO方法的改进、增加种群多样性的改进、加强局部搜索的改进、与全局优化方法相结合、与确定性的局部优化方法融合等。以上所述的是针对方法改进的目的讨论的，实际改进中应用的方法有基于参数的改进，即对PSO方法的迭代公式的形式上作改进，还有从粒子行为模式进行改进，即粒子之间的信息交流方式，如拓扑结构的改进、全局模式与局部模式相结合的改进灯光；还有基于方法融合的粒子群方法的改进，方法融合可以引入其他方法的优点来弥补PSO方法的缺点，设计出更适合问题求解的优化方法。

但是在基本粒子群优化方法中，粒子在搜索空间寻找最优解时，会在最优解的附近有时会出现粒子来回震荡的现象。即使通过调整学习因子和惯性权重因子也无法避免这种现象，而且这个最优解可能就是局部最优解。

发明内容

发明目的：本发明要解决的技术问题是使粒子飞行过程中震荡的现象减少。

发明的技术方案：

方法流程：

1、方法原理

粒子群优化方法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。在PSO方法中，每只鸟被称之为一个粒子，每个粒子用其几何位置和速度向量表示，每个粒子参考自己的既定方向，所经历的最优方向和整个鸟群所公共认识到的最优方向来确定自己的飞行。基本粒子群方法粒子每次更新自己的位置信息时，所采用的飞行时间都是1。而在方法的起始阶段，粒子离最优位置较远，所需飞行的时间要偏长些，而到了后期，粒子离最优位置较近，所以所需的时间又偏短些，如果还是像刚开始那样长时间飞行的话，就由于可能飞过最优位置，从而导致振荡现象的产生。为了减少粒子飞行过程中震荡的现象，本方法把时间1换成T，使其在(0,1)之间线性递减。方法的主要思想如下：

假设在一个D维的目标搜索空间中，有m个粒子。其中：第i个粒子表示为一个D维的向量，x_i＝(x_i1,x_i2,…,x_iD)(i＝1,2,…,m)表示第i个粒子在此搜索空间中的位置，v_i＝(x_i1,x_i2,…,v_iD)(i＝1,2,…,m)表示第i个粒子的飞翔速度。设第i个粒子迄今为止搜索到的最优位置为p_i＝(p_i1,p_i2,…,p_iD)(i＝1,2,…,m)，整个粒子群迄今为止搜索到的最优位置为p_g＝(p_g1,p_g2,…,p_gD)(i＝1,2,…,m)。

采用下列公式对粒子群进行操作：