欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023115006476
申请人: 昆明理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于多策略两阶段的竞争群优化方法,其特征在于:包括以下步骤:S1、初始化设置算法的基础参数,其中基础参数包括种群规模N、优化终止条件、第一阶段占整个进化阶段的比例Rate和步进加速度Acc;

S2、初始化种群P和参考向量V;

S3、随机从种群P中选择两个粒子进行竞争,适应度超出预设值的粒子为胜利者粒子,适应度低于预设值的粒子为失败者粒子,将选择到的两个粒子从种群P中删除;

S4、满足算法第一阶段的执行条件FE/maxFE

对失败者粒子执行模糊搜索策略包括以下步骤:S4.1.1、将进化过程划分为多个模糊子阶段;

S4.1.2、通过对原始决策变量向量X进行模糊,来确定模糊搜索的上界ГS4.1.3、以粒子为中心,根据笛卡尔坐标将粒子的搜索方向划分为二维子空间;

S4.1.4、失败者粒子及其采样粒子向胜利者粒子进行学习;

对胜利者粒子执行自适应双方向采样策略,包括以下步骤:S4.2.1、采用基于位移的密度估计策略来计算每个粒子的适应度;

S4.2.2、设置粒子p的当前位置为XS4.2.3、将X

S4.2.4、对两个搜索方向上的采样解aS5、满足算法第二阶段的执行条件FE/maxFE≥Rate,FE表示当前已经使用的计算资源,maxFE表示优化终止计算资源,失败者粒子向胜利者粒子进行加强收敛学习;

所述步骤S5中失败者粒子向胜利者粒子进行加强收敛学习的具体步骤如下:S5.1、通过对种群中的所有粒子执行非支配排序,将第一前沿的粒子作为种群中的最优粒子Gbest;

S5.2、从Gbest中随机选择一个粒子,记为粒子g;

S5.3、失败者粒子的更新策略如下:v

x

其中,x

S6、胜利者粒子及其采样粒子和更新后的失败者粒子及其采样粒子都采用多项式变异的方式进行变异,将变异后的粒子都放入新种群P'中;

S7、重复S3到S6,直到访问当前种群P中的所有粒子;

S8、执行环境选择,生成下一代种群;

S9、重复步骤S3到步骤S8,直至满足算法终止条件;

S10、输出给定为题的最终优化解。

2.根据权利要求1所述的基于多策略两阶段的竞争群优化方法,其特征在于:所述步骤S4.1.1的划分步骤的算术表达式如下:其中,S为模糊搜索阶段划分的子阶段数,Step(i)模糊搜索阶段前i个子阶段的累计步长,Step(i)的默认设置为Step(i)=0,Rate表示模糊搜索阶段占整个进化阶段的比例,Acc>0为步进加速度,可控制子阶段之间的步长加速度,

3.根据权利要求2所述的基于多策略两阶段的竞争群优化方法,其特征在于:所述S4.1.2中的上界Г其中,X表示决策变量向量,X

4.根据权利要求3所述的基于多策略两阶段的竞争群优化方法,其特征在于:所述步骤S4.1.3中的划分过程根据象限将搜索空间[Г其中,D表示决策空间的维数,

5.根据权利要求1所述的基于多策略两阶段的竞争群优化方法,其特征在于:所述步骤S4.2.1中的粒子的适应度Fitness(p)的计算公式如下:其中,

6.根据权利要求5所述的基于多策略两阶段的竞争群优化方法,其特征在于:所述反向点Op的生成方式如下:Op=X

其中,X表示决策变量向量,X

所述步骤S4.2.3中的搜索方向具体表示如下:v

v

其中,v

所述步骤S4.2.4中的采样解aa

a

其中,w(p)是决定采样范围的控制参数,Fitness(p)表示粒子p的适应度,Fitness