一种新型的鳗鱼群智能算法
【专利摘要】本发明公开了一种新型的鳗鱼群智能算法，通过观察鳗鱼在洄游中总是跟随邻近的优势个体，在到达新的位置后对自身进行调整，在极端环境中对自身性别进行突变，这样使得鳗鱼群体更加顺利的到达目的地。算法通过对鳗鱼生活行为的分析，提取了鳗鱼浓度适应、邻近学习、性别突变三个重要性为，通过对鳗鱼三个重要行为的合理组织，引入等级划分制度与标识度的思想，提出了对于组合优化问题的离散型鳗鱼算法，对于离散个体间的邻近学习，本文采用了新颖的切割片段法，使的种群个体间的信息可以更加充分的传递。与遗传算法、蚁群算法等其它智能算法相比，鳗鱼算法具有更高的收敛速度与求解精度，提高了求解大规模优化问题时的收敛速度与求解精度。
【专利说明】一种新型的鳗鱼群智能算法
【技术领域】
[0001]本发明涉及智能【技术领域】，特别是涉及一种新型的群智能算法。
【背景技术】
[0002]基于对大自然生物规律的研究，各种群智能算法相继被提出，来解决科学与工程领域大规模复杂的优化问题。其中，比较经典的群智能算法主要有蚁群算法、粒子群算法、人工蜂群算法、人工鱼群算法等，并且已被广泛的应用在函数优化，图像处理，模糊控制，模式识别，大数据处理等领域。但是，对于大规模的优化问题，这些算法普遍存在收敛速度慢、求解精度低等问题。而且，没有一种算法可以对所有的问题均求得最优解，不同的算法针对不同的问题会取得更好的结果。因此，对于不同类别的问题，开发新型的智能算法是非常有必要的。
【发明内容】
[0003]本发明提供了一种新型的鳗鱼群智能算法，算法通过对鳗鱼生活行为的分析，提取了鳗鱼浓度适应、邻近学习、性别突变三个重要性为，通过对鳗鱼三个重要行为的合理组织，引入等级划分制度与标识度的思想，提出了对于组合优化问题的离散型鳗鱼算法，对于离散个体间的邻近学习，本文则采用了新颖的切割片段法。与遗传算法、蚁群算法等算法相t匕，鳗鱼群智能算法具有较快的收敛速度与求解精度。
【具体实施方式】
[0004]算法主要由种群初始化，浓度适应，标识个体、邻近学习，性别突变等五个步骤组成。
[0005]初始化种群
设鳗鱼的种群规模为S，初始种群可表示为 Xi =(x”...Xi,...Xn) I n ^ S (I)
其中，Xi为平均分配在空间里的解。
[0006]浓度适应
对每个个体中相连的r个目的地进行随机排列来对个体进行随机调整，如果调整后个体的生存能力大于当前个体，则用调整后的个体替代当前个体，否则当前个体保持不变。当到达指定调整次数后，停止调整，可用如下函数进行描述:xi+i=f (xi, r) (2)
其中，xi+1为调整后的个体，r为调整半径。函数表示对个体Xi中相邻的r个数进行随机排列。
[0007]标识个体
算法通过定义个体标识度S来描述一个可行解的优劣，可用如下函数进行描述:
S=F+C (3)其中，S为个体的标识度，F为个体的适应值，C为个体当前适应值与上一代适应值之差，即优化距离。
[0008]跟随邻伴
算法一般跟随距离自己较近的优势个体进行移动，距离自身越近的优势个体，被学习的概率越大，反之越小。对于离散问题，可把适应值相近的个体看做距离较近的个体。这里定义为学习系数β
β ^=1/(1+exp (- λ Fi/Fj)) (4)
其中，Fi为当前个体的适应值，Fj为被学习个体的适应值，λ为调整算子；
通过引入等级划分策略，可以加快算法的优化速度，使算法达到搜索效果与效率的平衡，把种群划分为两个部分，其中，标识度小的2/3为优势群体，标识度大的1/3为劣势群体，优势群体用于种群间的相互学习，来进行局部极小值的开发，劣势群体则在搜索空间进行随机探索，以发现新的局部极小值，对于离散问题，优势个体的邻近学习采用一种新型的切割片段的方法，具体如下所示:
对于离散问题，问题的解可以化为数字的排列。片段切割则是把每个解进行等间距分害IJ，并给每一段进行编号。对于一个种群，对每个个体都进行片段分割，然后每个个体根据学习系数选择其它个体的片段，但片段选取遵循以下规则:选取片段的编号与自身已有的片段编号不能重复，并且每个个体的尾片段只能选择其它个体的尾片段，直到重新组成一个新的个体，对于个 体中重复的数字，则用未用到的数字进行随机替换。切割方法示意图算例如图2、图3、图4所示:
对于优势种群，算法采用片段切割的方法进行个体间的离散学习，算法随机产生一个数，如果学习系数β大于该随机数，则向此个体学习，否则不向此个体被学习。如果学习后个体的适应度大于当前个体，则用学习后的个体替代当前个体，否则当前个体保持不变；对于离散问题，劣势个体采用反转与变异的方法进行探索:
a.反转:随机选择两个数，让两个数之间的排序反转
b.变异:随机调换两个数的位置
对于劣势种群，对每个个体进行反转与变异操作，如果探索后的个体优于当前个体，则替代当前个体，否则当前个体保持不变。
[0009]变性调整
算法则根据不同性别的鳗鱼对环境突变采用不同的策略这一思路，对不同类别个体的变性调整采用不同的方法。具体方法如下:
复制策略:当一个个体突然变为最优个体时，则把当前个体随机复制给种群的另一个个体；
随机策略:当一个个体连续多次为最差解或者一个个体经过指定的次数后目标函数值仍然没有提高，则对个体进行初始化来模拟个体的变性调整行为。
【专利附图】
【附图说明】
图1是切割前的种群个体，图2是切割后的种群个体，图3是调整后的种群个体。
【权利要求】
1.一种新型的鳗鱼群智能算法，其特征在于:算法通过对鳗鱼生活行为的分析，提取了鳗鱼浓度适应、邻近学习、性别突变三个重要性为，通过对鳗鱼三个重要行为的合理组织与引入等级划分制度和标识度的思想，提出了对于组合优化问题的离散型鳗鱼算法，算法主要由种群初始化、浓度适应、标识个体、邻近学习、性别突变五部分组成，与遗传算法、蚁群算法等其它智能算法相比，鳗鱼算法具有更高的收敛速度与求解精度。
2.根据权利要求1所述的一种新型的鳗鱼群智能算法，其特征在于:初始化种群中有一个个体是利用贪婪算法进行初始化，其余个体进行随机初始化。
3.根据权利要求1所述的一种新型的鳗鱼群智能算法，其特征在于:浓度适应是对每个个体的一个片段进行随机排列来实现的。
4.根据权利要求1所述的一种新型的鳗鱼群智能算法，其特征在于:浓度适应过程先对每两个个体定义学习系数β，然后产生一个随机数，如果β大于随机数，则采用切割片段法向此个体学习，否则不向此个体学习。
5.根据权利要求1所述的一种新型的鳗鱼群智能算法，其特征在于:性别突变的实现过程是当一个个体突然变为最优个体时，则把当前个体随机复制给种群的另一个个体；当一个个体连续多次为最差解或者一个个体经过指定的次数后目标函数值仍然没有提高，则对此个体进行随机初始化。
【文档编号】G06N3/00GK104008416SQ201410192137
【公开日】2014年8月27日 申请日期:2014年5月8日 优先权日:2014年5月8日
【发明者】孙耀胜 申请人:孙耀胜