[发明专利]算法优化的方法和装置

说明书

本发明实施例公开了一种算法优化的方法和装置。该算法优化的方法包括：基于差分演化机制对EHO进行初始化，得到初始化后的EHO；基于列维飞行机制对初始化后的EHO进行优化，得到优化后的算法。通过本发明，解决了相关技术中由于现有技术技术中HGSO算法的缺陷，影响HGSO算法适用性的问题，达到了将LF机制的优势与差分进化相结合，建立了增强的HGSO技术，以增强能源利用的动态性能的技术效果。

技术领域

本发明涉及工程技术应用领域，尤其涉及一种算法优化的方法和装置。

背景技术

在工程应用中，特别是在非线性全局优化问题中，经典的单解算法如扰动与观测(PerturbObserve，简称PO)和增量质量阻力(Incremental Mass Resistance，简称IMR)被认为是不可行的。为了解决最大功率问题，实用控制算法和元启发式优化方法的设计和使用在科学界引起了广泛的关注。元启发式方法是对启发式算法的改进，基于此，将元启发式算法分为基于生物进化的进化算法(Evolutionary Algorithm，简称EA)和基于群体智能策略的进化算法(Swarm Intelligence，简称SI)两大类。基于SI的方法模拟了自然界中动物群体的去中心化和强化行为，而基于EA的技术则受到了生物进化的启发。与基于进化的元启发式算法相比，基于群智能的元启发式算法使用的算子较少，实现更加直观,能够在后续迭代中保持搜索空间。

在能源利用领域，基于最大功率控制的鲸鱼优化算法被激发和研究，以提高能源提取过程的成本效率。2019年，亨利气体溶解度优化(Henry Gas SolubilityOptimization Algorithm，简称HGSO)方法被提出作为一种SI技术，这是一种基于群体的元启发式策略，其动机是亨利定律在物理学中的表现。在现有的粒子群优化算法(ParticleSwarm Optimization，简称PSO)、灰狼优化算法(Grey Wolf Optimizer，简称GWO)、鲸鱼优化方法(Whale Optimization Algorithm，简称WOA)、象群游牧算法(Elephant HerdingOptimizatione，简称EHO)和模拟退火算法(Simulated Algorithm，简称SA)等多种元启发式技术中，HGSO的性能通过CEC17测试套件和47个基准测试，显示了其在处理复杂优化问题方面的竞争力。基于这些行为，证明了HGSO算法能够有效地处理基于梯度优化器难以解决的实际工程优化问题。

在改进元启发式算法的混合变体中，通过对传统元启发式优化技术的研究和改进，使其在解决复杂的工业和现实问题时更加有效和准确。

虽然HGSO是目前最先进、最精确的元启发式策略，但基本的HGSO算法存在一些局限性，包括优化过程中的随机性导致收敛速度较低。此外，在HGSO算法中，搜索粒子的移动方向会受到当前溶解度的影响，主要缺点是其复杂性和运行时间消耗较大，导致优化过程的性能不理想。

针对目前相关技术中由于现有技术技术中HGSO算法的缺陷，影响HGSO算法适用性的问题，目前尚未得到有效的解决。

发明内容

本发明实施例提供了一种算法优化的方法和装置，以至少解决相关技术中由于现有技术技术中HGSO算法的缺陷，影响HGSO算法适用性的问题。

根据本发明实施例的一个方面，提供了一种算法优化的方法，包括：基于差分演化机制对EHO进行初始化，得到初始化后的EHO；基于列维飞行机制对初始化后的EHO进行优化，得到优化后的算法。

可选的，优化过程包括：将第i个搜索粒子i的解序列X初始化为：

其中，ρ是[0,1]中的随机常数，是[-1,1]中的随机常数；X_i,j表示聚类j中的粒子w；在数学优化模型中，定义当前搜索代理的Henry系数为：

搜索剂i在群j中的溶解度在数学上表示为：