一种对引力搜索算法中种群多样性改进的方法
【专利摘要】本发明涉及智能优化算法领域，公开了一种对引力搜索算法中种群多样性改进的方法。在使用引力搜索算法进行寻优搜索的每一次迭代过程中，计算粒子种群多样性。当种群多样性大于最大阈值时，粒子向当前最优位置和自身历史最优位置靠近，粒子彼此间执行细菌趋化过程中的吸引操作，以增加局部寻优能力；当种群多样性小于最小阈值时，粒子逃离当前最差位置和自身历史最差位置，粒子彼此间执行细菌趋化过程中的排斥操作，以增加种群多样性；当种群多样性介于多样性最大阈值和最小阈值之间时，采用引力搜索算法中的原速度更新公式。本发明将细菌趋化过程中排斥操作的思想引入到引力搜索算法中，以改善粒子种群多样性，避免早熟收敛，从而提高算法的寻优能力。
【专利说明】一种对引力搜索算法中种群多样性改进的方法
【技术领域】
[0001]本发明涉及一种对引力搜索算法中种群多样性改进的方法，属于智能优化算法领域。
【背景技术】
[0002]引力搜索算法是一种近年来提出的用于解决优化问题的启发式算法，和其他现有的著名启发式优化算法相比较，引力搜索算法具有更好的全局搜索能力和更快的收敛能力。其根本思想是基于牛顿的万有引力定律:“在宇宙间，每一个粒子由于万有引力的作用而彼此相互吸引，引力的大小与粒子的质量成正比，与他们之间的距离成反比”。引力搜索算法具有优化性能高、结构简单、设定参数少等优点，目前已在函数优化、系统参数辨识、石油需求预测等领域得到了一定的应用。
[0003]引力搜索算法中惯性质量大的粒子会产生更广的吸引范围和更大的吸引力，更易吸引其他粒子，使其他粒子向其本身靠近，而惯性质量最大的粒子位置即代表目标函数最优解，在当粒子运动到最优解或者最优解附近时，粒子的速度不断加快(根据万有引力公式，引力的大小是与距离成反比关系)，当到达最优解或接近最优解时，粒子的速度可能会很大(存在随机性)，根据运动学规律可知，这种情况会导致粒子在最优解的附近反复来回震荡，无法定位至最优解，从而导致整个优化算法搜索精度不高，同时出现早熟收敛的现象。
[0004]针对上述问题，很多学者提出了解决方法，主要的研究包括:仿效粒子群算法的特点，增加了粒子的记忆和社会信息共享能力，并且增加惯性质量权值来提高引力搜索算法的整体优化性能；通过加入自适应变异操作来避免引力搜索算法陷入局部最优；通过引入自适应最大速度来约束粒子速度，使得改进的算法能够获得更优解。虽然这些改进的算法都在一定程度上降低了引力搜索算法陷入局部最优的可能性，但依旧未能解决早熟收敛的问题。
【发明内容】
[0005]针对以上技术的不足，本发明的目的在于将细菌趋化过程中排斥操作的思想引入到引力搜索算法中，以改善该算法中粒子种群多样性，避免早熟收敛，从而提高算法的搜索寻优能力。
[0006]本发明专利所采用的关键技术方案是:
[0007]I)使用引力搜索算法进行全局搜索，搜索较优的粒子位置；
[0008]2)在每一次迭代过程中，计算粒子种群多样性
diversity(t) = χ 荅(O(O)；
[0009]3)当种群多样性大于多样性最大阈值时，粒子应向当前最优位置和自身历史最优位置靠近，粒子彼此间执行细菌趋化过程中的吸引操作，以增加局部寻优能力，此刻速度为上一时刻速度值与上一时刻加速度值之和；
[0010]当种群多样性小于多样性最小阈值时，粒子应逃离当前最差位置和自身历史最差位置，粒子彼此间执行细菌趋化过程中的排斥操作，以增加种群多样性，使粒子搜索空间其他位置，有助于粒子发现更好的位置。此刻速度为上一时刻速度值与上一时刻加速度值之差;
[0011]当种群多样性介于多样性最大阈值和最小阈值之间时，采用引力搜索算法中的速度更新公式，此刻速度为上一时刻速度的部分值与上一时刻加速度值之和。
[0012]4)继续进行搜索。
[0013]本发明的优点在于:将细菌趋化过程中排斥操作的思想引入到引力搜索算法中，用以提高引力搜索算法中粒子种群的多样性，对粒子的速度更新方式进行修正，这样粒子的速度信息更新不仅取决于整个系统中其他粒子的共同作用，还受到种群多样性的影响，对于不同的种群多样性度量值采取相应的速度更新公式，使其对目标函数最优解具有更好的搜索能力，避免早熟收敛。
【专利附图】
【附图说明】
[0014]图1是本发明方法的改进粒子种群多样性的结构图
[0015]图2是改进粒子种群多样性的引力搜索算法流程图
【具体实施方式】
[0016]下面结合附图对本发明的【具体实施方式】做进一步说明。
[0017]一种对引力搜索算法中种群多样性改进的方法，算法步骤如下:
[0018]步骤一:根据目标函数问题明确整个引力场的搜索空间。
[0019]步骤二:在搜索空间范围内随机初始化种群中各个粒子的位置，设定种群粒子数目为N个、搜索空间维数为D维和最大迭代次数为T次。
[0020]步骤三:根据目标函数问题，将每个粒子的位置Xi代入目标函数计算出其关于目标函数的适应值。
[0021]步骤四:更新整个种群中粒子的最好适应值和最坏适应值，即目标函数的最优解和最差解:
[0022]在搜索目标函数最小值问题时，最好和最坏适应值分别为:
[0023]
【权利要求】
1.一种对引力搜索算法中种群多样性改进的方法，其特征在于:在使用引力搜索算法进行寻优搜索的每一次迭代过程中，计算粒子种群多样性。当种群多样性大于最大阈值时，粒子向当前最优位置和自身历史最优位置靠近，粒子彼此间执行细菌趋化过程中的吸引操作，以增加局部寻优能力；当种群多样性小于最小阈值时，粒子逃离当前最差位置和自身历史最差位置，粒子彼此间执行细菌趋化过程中的排斥操作，以增加种群多样性；当种群多样性介于多样性最大阈值和最小阈值之间时，采用引力搜索算法中的原速度更新公式。
2.根据权利要求1所述的一种对引力搜索算法中种群多样性改进的方法，粒子种群多样性计算公式为
【文档编号】G06F17/30GK104008118SQ201310145998
【公开日】2014年8月27日 申请日期:2013年4月23日 优先权日:2013年4月23日
【发明者】潘丰, 王蕾 申请人:江南大学