[发明专利]一种针对随机拓扑的RTID-PSO方法及系统

说明书

本发明公开了一种针对随机拓扑的RTID‑PSO方法及系统，以随机概率从适应值优于自身的粒子中随机选取2个种群领导者，每个个体根据速度公式更新速度，以随机概率考察反向点，进行第一次排序。用全局最优解和第二第三最优解联合差分进化，得到进化解。以此进行二轮比较——如果进化解优于当前全局最优解，则使用进化解；否则，使用原有最优解更新速度和位置。更新之后，用新的速度和位置对当前个体适应值更新排序。如果排序结果发生变化，则更新拓扑结构重复迭代；如果排序结果不变，则只需要同步更新当前个体的速度重复迭代。直到达到误差精度，训练出最优解。本发明无论是在收敛速度、误差精度，还是全局勘探能力，都明显优于以往的算法。

技术领域

本发明涉及一种通过PSO方法从固定拓扑向随机拓扑的创造性拓展，属于智能计算领域。

背景技术

粒子群算法，也称粒子群优化算法或鸟群觅食算法(Particle SwarmOptimization)，缩写为PSO，是1995年由J.Kennedy和R.C.Eberhart等开发的一种新的进化算法。PSO算法属于进化算法的一种，和模拟退火算法相似，机理是从随机解出发，通过迭代寻找最优解，通过适应度来评价解的品质，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在实际问题中展示了其优越性。

反向学习机制(Opposition-Based Learning，OBL)是由Tizhoosh提出的一种可以有效的拓宽搜索空间，覆盖可行解区域的机制，并且已被广泛应用在差分进化算法(DE)中，并得到了有效的成果。另外，反向学习机制可以在单次迭代中计算候选解决及其相应的反向解决的目标函数值，在两者间进行比较。反向算子是当前候选解决方案的扩展，有概率更接近最优解，能够有效避免陷入局部最优的情况。

图论教学理论于1736年被欧拉提出，该种教学理论是离散数学的重要分支，其研究的根本对象是图。在图论研究中所涉及到的图是由若干个给定的点和连接两点的线所构成，该种图形通常会用来描述某种事物之间存在的特定关系，并使用点代表事物，而使用两点之间的连线代表两种事物之间存在的密切联系。近年来，随着处理离散信号的需求增多，解决离散数学点线问题的数学图论被重新拿出来成为又一轮焦点。

对微粒群算法结构的改进方案有很多种，对其可分类为采用多个子种群，改进微粒学习对象的选取策略，修改微粒更新迭代公式，修改速度更新策略，修改速度限制方法、位置限制方法和动态确定搜索空间，与其他搜索技术相结合，以及针对多模问题所作的改进。

第一类采用多个子种群,CPSO-H算法将输入向量拆分成多个子向量,并对每个子向量使用一个微粒群来进行优化。(Chow C-K,Tsui H-T.Autonomous agent responselearning by a multi-species particle swarm optimization.Congress onEvolutionary Computation,2004.CEC2004.Volume 1.19-23June 2004.788-785)王俊年借鉴递阶编码的思想和借鉴生态学中环境和种群竞争的关系,提出一种基于种群密度的多种群PSO算法(Selleri S,Mussetta M,Pirinoli P,et al.Some Insight Over NewVariations of the Particle Swarm Optimization Method.IEEE Antennas WirelessPropag.Lett.2006,5:235-238.王俊年,申群太,沈洪远等。基于多种群协同进化微粒群算法的径向基神经网络设计.控制理论与应用.2006,23(2):251-255)