一种自适应变异粒子群优化算法的制作方法

技术特征：

1.一种自适应变异粒子群优化算法，其特征在于如下步骤：

设粒子群的粒子数目为N，f_i为第i个粒子的适应度，f_avg为粒子目前的平均适应度，σ²为粒子群的群体适应度方差，则σ²定义为：

${\mathrm{\σ}}^2=\underset{i=1}{\overset{N}{\Σ}}{\left(\frac{f_i-f_{avg}}{f}\right)}^2---\left(1\right)$

上式中f是归一化定标因子，用来限制σ²的大小；群体适应度方差σ²反映的是粒子群中所有粒子的收敛程度；σ²越小，说明粒子越趋于收敛；反之，粒子群则处于随机搜索阶段；当σ²等于0时，则说明粒子群优化算法陷入早熟收敛或者达到全局收敛；

为了避免陷入早熟收敛，要对粒子群进行位置变异操作，具体形式如下：

x_i(k+1)＝C·rand()·x_i(k) (2)

C为变异因子，服从Gauss(0，1)分布的随机变量；k为当前迭代次数，rand()为(0，1)之间的随机数；考虑到粒子在当前的gbest的作用下寻找到更好的位置，将变异操作引入一个随机算子，即满足变异条件的x_i(k+1)按一定概率p_k变异；p_k在[0.1，0.5]之间取值，随机产生；当粒子进行位置变异后，它将改变原有的搜索方向，使其进入其它区域进行搜索，发现新的pbest和gbest；如此循环迭代，变异算法增大了发现全局最优解的概率。