[发明专利]粒子群位置搜索方法、系统、装置及可读存储介质

说明书

本发明实施例涉及粒子群领域，公开了一种粒子群位置搜索方法。根据粒子群的初始位置和初始速度计算每个粒子的位置适应度，使用每个粒子的所述位置适应度更新每个粒子的个体最优位置，利用每个粒子的所述位置适应度更新每个粒子的全局最优位置，根据所述更新次数求解每个粒子的惯性权重和学习因子，根据所述惯性权重和所述学习因子计算得到所述粒子群内每个粒子的更新位置和更新速度，根据每个粒子的所述更新位置和所述更新速度得到的所述粒子群内每个粒子的个体最优位置和全局最优位置。本发明还提出一种粒子群位置搜索电子设备、装置以及计算机可读存储介质。本发明可有效的解决在全局空间的搜索情况下搜索效率差，收敛速度慢的缺点。

技术领域

本发明实施例涉及多目标优化、粒子群算法及遗传算法领域，特别涉及一种粒子群的位置搜索的方法、电子设备、装置及计算机可读存储介质。

背景技术

目前粒子群的位置搜索方法主要包括传统搜索算法和智能搜索算法两类，传统搜索算法有线性加权法、约束法和线性规划法等，传统算法解决多目标问题就是将多目标问题通过一定办法转变成单目标问题来求解；智能搜索算法有进化算法(EvolutionaryAlgorithm，EA)、粒子群算法(Particle Swarm Optimization，PSO)、非支配排序遗传算法(Non-dominated Sorting Genetic Algorithms，NSGA)等依赖仿生学发展起来的算法。

其中智能优化算法对于求解带有约束条件的多目标问题具有先天的优势，越来越得到广泛应用，但发明人发现，当前智能优化算法在全局空间的搜索情况下搜索效率差，收敛速度慢的缺点。

发明内容

本发明实施方式的目的在于提供一种粒子群的位置搜索方法、电子设备、装置及计算机可读存储介质，以解决在全局空间的搜索情况下搜索效率差，收敛速度慢的缺点。

为解决上述技术问题，本发明的实施方式提供了一种粒子群的位置搜索方法，所述方法包括：

位置适应度计算步骤：根据粒子群内每个粒子的初始位置和初始速度计算每个粒子的位置适应度；

个体最优位置更新步骤：使用每个粒子的所述位置适应度更新每个粒子的个体最优位置；

全局最优位置选择步骤：利用每个粒子的所述位置适应度更新预构建的全局最优位置网格集，根据预设的全局最优位置选择规则，从所述全局最优位置网格集内选择得到每个粒子的全局最优位置；

惯性权重及学习因子计算步骤：统计所述个体最优位置更新的更新次数，若所述更新次数小于预设更新阈值，根据所述更新次数求解每个粒子的惯性权重和学习因子；

位置适应度更新步骤：根据所述惯性权重和所述学习因子计算得到所述粒子群内每个粒子的更新位置和更新速度，根据每个粒子的所述更新位置和所述更新速度重新计算每个粒子的位置适应度，并返回个体最优位置更新步骤；

更新次数判断步骤：若所述更新次数大于等于所述预设更新阈值，输出得到的所述粒子群内每个粒子的个体最优位置和全局最优位置。

优选地，所述使用每个粒子的所述位置适应度更新每个粒子的个体最优位置，包括：

判断每个粒子的所述位置适应度与每个粒子预存储的个体最优位置的支配关系；

若所述位置适应度支配预存储的所述个体最优位置，则将所述位置适应度替代预存储的所述个体最优位置；

若预存储的所述个体最优位置支配所述位置适应度，则保持每个粒子预存储的个体最优位置不变；

若所述位置适应度与预存储的所述个体最优位置不存在支配关系，则随机选择所述位置适应度或预存储的所述个体最优位置作为每个粒子的个体最优位置。

优选地，所述判断每个粒子的所述位置适应度与每个粒子预存储的个体最优位置的支配关系，包括：