[发明专利]基于先验知识的自适应差分进化算法的多式联运能耗优化方法

权利要求书

1.基于先验知识的自适应差分进化算法的多式联运能耗优化方法包括以下步骤：

(1)、基于先验知识的自适应差分进化算法的设计；

(2)、利用基于先验知识的自适应差分进化算法来对各载运工具的能耗模型参数进行辨识；并使用相关系数来评判各个模型的精度；最后，根据各载运工具能耗模型，建立多式联运能耗模型；

(3)、利用基于先验知识的自适应差分进化算法来求解多式联运能耗优化问题。

2.如权利要求1所述的基于先验知识的自适应差分进化算法的多式联运能耗优化方法，其特征在于：基于先验知识的自适应差分进化算法的操作步骤如下：

(2.1)初始化：确定种群规模NP和最大的迭代代数G_max；在可行域P₀内随机生成一个初始种群P₁⁰；并且设定当前的代数G＝0。

(2.2)变异操作：对于每个个体利用以下变异策略来对其进行变异操作：

viG=xiG+Fi×(xpbestG-xiG)+Fi×(xr1G-xr2G),i=1,2,...NP---(1)]]>

式(1)中，表示从当前的种群中随机选择最好的100p％个个体，p在(0,1]的区间内。F_i表示变异控制参数，其范围在[0,1]之间。r₁和r₂表示两个随机整数，其范围在[1，NP]内，并且r₁≠r₂。

(2.3)交叉操作：对于每个个体利用以下交叉策略来对其进行交叉操作：

式(2)中，D表示优化问题的维数；R_j和j_rand分别表示一个在[0，1]范围内的随机数和一个在[1，D]内的整数随机数。CR为差分进化算法的交叉率。

(2.4)控制参数的自适应：控制参数F和CR的产生分为两个阶段：

如果G≤0.6*G_max，变异控制参数由柯西分布函数C(μ_F,0.1)产生，交叉控制参数则由正态分布函数N(μ_CR,0.1)产生。而μ_F和μ_CR更新如下：

μ_F＝(1-c)×μ_F+c×mean_L(S_F)(3)

μ_CR＝(1-c)×μ_CR+c×mean_A(S_CR)(4)

在式(3)和式(4)中，c＝0.1控制参数自适应的速率；SF和SCR分别表示每一代中所有成功的F和CR的集合。mean_A和mean_L分别表示算术平均值和勒默平均值。

如果G>0.6*G_max，F和CR更新如下：

FiG+1=C(0.6-0.5×G-0.6×Gmax0.4×Gmax,0.6),---(5)]]>

CRiG+1=N(1-0.5×(1-G-0.6×Gmax0.4×Gmax),0.6),---(6)]]>

(2.5)选择操作：试验向量和目标向量进行比较，好的个体将会被选到下一代：

xiG+1=uiG,f(uiG)≤f(xiG)xiG,f(uiG)>f(xiG)---(7)]]>

(2.6)重复第(2.2)～(2.5)步，直到算法达到设定的停止条件为止。