[发明专利]基于非线性跨代差分进化的花授粉优化方法及实现系统

说明书

本发明涉及一种基于非线性跨代差分进化的花授粉优化方法及实现系统，属于计算机领域。该方法包括以下步骤：S1：非线性惯性权重设置；S2：跨代差分进化；S3：参数自适应调整；S4：跨代赌轮盘跳出局部最优解。本方法可以设置非线性惯性权重使花授粉算法在全局搜索初期以较快速度加强搜索能力，提升算法的搜索收敛速度。自适应调整实现动态更新缩放因子和交叉概率，从而提高种群丰富度、减少局部解的数量，再结合跨代赌轮盘方式以降低陷入局部最优解的概率。

技术领域

本发明属于计算机领域，涉及基于非线性跨代差分进化的花授粉优化方法及实现系统。

背景技术

随着物联网和人工智能等科学技术的发展和创新，在工程和工业应用中存在着大量复杂的高维度变量优化问题亟待解决，如城市公共设施规划建设、电子网络与通讯传播、无人汽车智能路径设置、无人机智能巡检等。目前很多针对这些问题的研究采用了启发式优化算法，这类算法是基于生物系统的特性和物理理论，如达尔文进化论、昆虫或动物的群体行为等发展起来的，具有搜索精度高、效率高、鲁棒性强的特点。

启发式优化算法大致可以分为三类：1)能够平衡局部搜索与全局搜索的算法，如人工蜂群(Artificial Bee Colony,ABC)算法、蜘蛛群集优化(Social SpiderOptimization,SSO)算法。这些算法可以很好地将快速性和全局最优特征结合起来，但在搜索过程的后期，会出现算法性能变差的情况。2)兼具全局收敛性和计算鲁棒性的算法，如狼群算法(Wolf Pack Algorithm,WPA)、鲸鱼算法(Whale Algorithm,WA)。这些算法能够同时从多个点展开搜索，同时具备良好的收敛性能，但存在搜索效率偏低和种群多样性不足的情况。3)具有较好种群丰富度的算法，如粒子群优化(Particle Swarm Optimization,PSO)、遗传算法(Genetic Algorithm,GA)。然而这些算法存在数值扰动陷入局部最优的情况。综上所述，传统启发式优化算法存在提前收敛和以及数值波动等缺点，在探索最优解的能力上还有待提高。

针对传统启发式优化算法的上述不足，Yang提出了基于开花植物的花授粉算法(Flower Pollination Algorithm,FPA)，在多目标优化中得到了广泛应用。FPA能够以较高的精度和较好的收敛性能连续完成对多个对象的搜索任务，并且在局部和全局搜索过程中保持了较好的平衡。这一算法被广泛应用于各类优化问题，如T.Nguyen利用FPA来解决优化过程中的数据振荡的问题，K.P.PANDA使用FPA消除对称和不对称多电平逆变器中的目标谐波。通过分析相关研究，FPA也存在三个主要问题：

1)局部搜索过程缺乏搜索导向，可能陷入局部最优，导致搜索效率和收敛性降低。

2)对参数敏感，惯性权重等参数的设置会影响全局搜索最优解的精度和迭代次数。

3)优化问题复杂度的提升增加了局部最优解数量，阻碍了FPA获得最优解。

发明内容

有鉴于此，本发明的目的在于提供一种基于非线性跨代差分进化的花授粉优化方法及实现系统。为了解决启发式优化算法优化过程出现的优化精确度不足、收敛效果差、稳定性差、容易陷入局部最优解等缺点，提出了一种基于非线性跨代差分进化的花授粉算法(Flower Pollination Algorithm based on Nonlinear Cross-GenerationDifferential Evolution,FPA-NCDE)。该方法利用跨代差分进化引导个体逼近最优解，使算法的局部搜索过程具备导向性。同时设置非线性惯性权重使全局搜索初期以较快速度加强搜索能力，提升算法的搜索收敛速度。此外，通过进行参数自适应调整实现动态更新缩放因子和交叉概率，从而提高种群丰富度、减少局部解的数量，再结合跨代赌轮盘方式以降低陷入局部最优解的概率。

为达到上述目的，本发明提供如下技术方案：

基于非线性跨代差分进化的花授粉优化方法，该方法包括以下步骤：