一種混沌粒子群優化算法

2023-06-15 17:25:06 2

一種混沌粒子群優化算法
【專利摘要】基本粒子群優化算法存在局部收斂問題。利用混沌運動的遍歷性對初始粒子的位置進行選取，並把到達邊界的粒子重新放回到搜索空間，對這些粒子的初始位置按同樣的混沌方法進行初始化，這樣既不改變粒子群優化算法初始化時的隨機性本質，又利用混沌提高了種群的多樣性和粒子搜索的遍歷性。
【專利說明】一種混沌粒子群優化算法
一、【技術領域】
[0001]本發明屬於優化算法領域，涉及混沌優化、粒子群優化等方法。
二、【背景技術】
[0002]粒子群優化算法(PSO)由鳥群覓食行為的啟發而得到，鳥群中每個鳥都被看作一個沒有體積和質量的粒子，粒子在搜索空間中以一定的速度飛行，並根據個體和集體飛行的經驗調整自己的速度和位置。基本PSO初始粒子的選取是隨機的，當解空間較大時隨機選取的初始粒子不能保證它們能均勻分布在整個解空間，這樣加大了 PSO算法陷於局部最優的可能，不利於提高算法的優化效率。另外，在PSO算法中會有一部分粒子飛行到搜索空間以外，基本PSO算法對這部分粒子給以界限約束，把它們限制在搜索空間的邊界位置。到達邊界位置的粒子運行速度可能越來越小，這部分粒子將喪失進一步尋優的能力。由於PSO算法尋優依靠的是群體之間的競爭與合作，粒子本身缺乏變異機制，粒子本身很難跳出這種惰性狀態。
[0003]三、專利內容:
[0004]1、專利目的
[0005]針對基本粒子群優化算法的局部收斂問題，發明一種混沌粒子群優化算法，以提高種群的多樣 性和粒子搜索的遍歷性。
[0006]2、技術解決方案
[0007]利用混沌運動的遍歷性對初始粒子的位置進行選取，並把到達邊界的粒子重新放回到搜索空間，對這些粒子的初始位置按同樣的混沌方法進行初始化，這樣既不改變粒子群優化算法初始化時的隨機性本質，又利用混沌提高了種群的多樣性和粒子搜索的遍歷性。
四、【具體實施方式】
[0008]混沌能在一定的範圍內按其自身規律不重複地遍歷所有狀態。它是非線性確定性系統的一種內在隨機過程的表現，具有隨機性、遍歷性和初值敏感性等特點。因此，可作為PSO算法中初始粒子和陷入邊界位置的粒子重置位置的一種方法。混沌變量的產生，選擇Logistic 映射:
[0009]Cr^ = -cr.) r = l,2,…(I)
[0010]其中μ是控制參數，Cj為混沛變量且O ≤Cj≤I, j = 1,2夂0，D為粒子位置的維數，r表示產生變異重置位置的粒子的序號。當μ =4時，上式完全處於混沌狀態且混沌變量Cj在(0，1)範圍內遍歷。利用混沌運動對初始值比較敏感的特點，在(0，1)區間任取D個不同的初始值(不能為0，0.25，0.50，0.75,1),分別代入上式，則得到D個混沌變量心…，對應第一個變異的粒子的位置。對應第二個變異的粒子的位置為<，...,< ,依此類推。另外需要把混沌變量4映射到相應的優化空間中的變量<:
[0011]Xrj = xfn + (x；ax - xfm )c](2)[0012]式中xjmin，xjmax為 xrj 的變化範圍的邊界值。
[0013]如果利用混度粒子群優化算法進行支持向量機的參數優化選取，則可利用PSO算法對核參數a (或σ)和正則化係數C進行優選，即粒子Xi的維數D = 2。定義粒子群的位置向量X為Xi =[ai Ci] O由此可以看出，每個粒子的位置坐標都對應於SVM的一個參數。採用實值編碼，因此只需要在解的區間內任意初始化即可，並取5-fold交叉驗證誤差作為PSO算法適應度函數。在迭代結束時，整個粒子群的最優位置就代表SVM的一組最優參數。
[0014]具體的操作為:選取N個初始值分別進行混沌迭代產生N條混沌軌道。N為粒子群粒子的個數。把每次迭代產生的N個混沌變量作為初始化粒子中的一個粒子的位置。這種採用混沌變量初始化粒子位置的方法，可以提高粒子群在整個迭代過程中的全局搜索能力。
【權利要求】
1.發明的一種混沌粒子群優化算法，其特徵在於:利用混沌運動的遍歷性對初始粒子的位置進行選取。
2.權利要求1所述的一種混沌粒子群優化算法，其特徵還在於:這種初始粒子的位置選取方法，既 能保持粒子群優化算法的隨機性，又能提高種群的多樣性和粒子搜索的遍歷性。
【文檔編號】G06F19/00GK103902792SQ201210568355
【公開日】2014年7月2日 申請日期:2012年12月25日 優先權日:2012年12月25日
【發明者】王書舟 申請人:天津工業大學