[发明专利]混合整数非线性规划问题的群智能与线性规划协同方法

说明书

本发明公开了一种混合整数非线性规划问题的群智能与线性规划协同方法，包括求解外层问题的改进粒子群算法与求解内层问题的线性规划算法；算法具有启发式算法的全局寻优能力，并且比单纯启发式算法有更快的收敛速度与更少的计算时间；算法引入速度扰动概率函数，提高算法避免陷入局部最优的能力，并备份最优粒子，防止速度扰动后收敛速度变慢的问题；算法考虑到解的鲁棒性，通过改进粒子群的适应度函数，有效排除解空间中的尖锐值；算法进一步引入双重适应度函数和系统容忍度，根据更合理的规则来进行粒子的选取。本发明作为一种通用的混合整数非线性规划问题的求解策略，可在混合整数非线性规划问题中广泛应用，求解效率高，结果可靠，鲁棒性好。

技术领域

本发明属于系统工程领域，尤其是涉及混合整数非线性规划问题的群智能与线性规划协同方法。

背景技术

混合整数非线性规划问题(Mixed Integer Non-Linear Programming，简称MINLP)是一类包含连续变量与离散变量的非线性规划问题。MINLP的应用涵盖科学、工程、生活等诸多领域：化工生产的计划和调度问题，电力市场机组组合问题，物流基地布局优化问题，设计、组合及控制相互作用问题，在不定条件下的过程组合和设计应用问题，水资源管理和共享问题等。

过去几十年来，MINLP问题一直是国际研究的前沿。然而，由于MINLP问题的复杂性，如何有效求解MINLP问题的算法，一直是科技界与企业界所面临的重大挑战，迄今为止尚未很好地解决。求解MINLP的确定性算法诸如分支定界法、广义分解法、扩展割平面法，对于规模不大的凸模型，这些方法求解是可行的，但当目标函数呈现出强非线性、优化变量维数很大、可行区域非凸时，确定性算法存在着难以保证全局最优解甚至无法求解等诸多问题；因此启发式算法得到越来越广泛的应用，算法通过模仿自然界的生物行为方式或者物质的运动形态来求解优化问题，诸如遗传算法、蚁群算法、粒子群算法，理论上具有全局寻优的能力，然而启发式算法在可行区域非凸时，容易陷入局部最优值，并且在变量维数很大时，收敛的速度慢，计算时间长，从而限制了它们的推广应用。

发明内容

为了解决背景技术中存在问题，本发明的目的在于，提供混合整数非线性规划问题的群智能与线性规划协同方法。

为此，本发明的上述目的通过以下技术方案来实现：

混合整数非线性规划问题的群智能与线性规划协同方法，其特征在于，将混合整数非线性规划问题划分为外层问题与内层问题，内层问题为线性规划问题或弱非线性规划问题，外层问题为混合整数非线性规划问题去除内层问题后留下的问题；外层问题采用外层问题求解模块进行求解，外层问题求解模块采用群智能算法；内层问题采用内层问题求解模块进行求解，内层问题求解模块采用线性规划算法；在外层问题采用外层问题求解模块进行求解后，混合整数非线性规划问题简化更新为内层问题；在内层问题采用内层问题求解模块进行求解后，混合整数非线性规划问题又简化更新为外层问题，再次求解；外层问题与内层问题如此不断循环求解与简化更新，直到混合整数非线性规划问题得到收敛的解。

在采用上述技术方案的同时，本发明还可以采用或者组合采用以下进一步的技术方案：

优选地，所述群智能算法为粒子群算法。

优选地，所述线性规划算法为单纯形算法。

优选地，在粒子群算法中引入速度扰动概率函数，速度扰动概率函数与求解所得最优值没有明显更新的代数正相关，随着速度扰动概率函数的增大，种群中的粒子位置与速度发生变异以增加搜索全局最优的能力。