一种混沌粒子群优化算法
【专利摘要】基本粒子群优化算法存在局部收敛问题。利用混沌运动的遍历性对初始粒子的位置进行选取，并把到达边界的粒子重新放回到搜索空间，对这些粒子的初始位置按同样的混沌方法进行初始化，这样既不改变粒子群优化算法初始化时的随机性本质，又利用混沌提高了种群的多样性和粒子搜索的遍历性。
【专利说明】一种混沌粒子群优化算法
一、【技术领域】
[0001]本发明属于优化算法领域，涉及混沌优化、粒子群优化等方法。
二、【背景技术】
[0002]粒子群优化算法(PSO)由鸟群觅食行为的启发而得到，鸟群中每个鸟都被看作一个没有体积和质量的粒子，粒子在搜索空间中以一定的速度飞行，并根据个体和集体飞行的经验调整自己的速度和位置。基本PSO初始粒子的选取是随机的，当解空间较大时随机选取的初始粒子不能保证它们能均匀分布在整个解空间，这样加大了 PSO算法陷于局部最优的可能，不利于提高算法的优化效率。另外，在PSO算法中会有一部分粒子飞行到搜索空间以外，基本PSO算法对这部分粒子给以界限约束，把它们限制在搜索空间的边界位置。到达边界位置的粒子运行速度可能越来越小，这部分粒子将丧失进一步寻优的能力。由于PSO算法寻优依靠的是群体之间的竞争与合作，粒子本身缺乏变异机制，粒子本身很难跳出这种惰性状态。
[0003]三、专利内容:
[0004]1、专利目的
[0005]针对基本粒子群优化算法的局部收敛问题，发明一种混沌粒子群优化算法，以提高种群的多样 性和粒子搜索的遍历性。
[0006]2、技术解决方案
[0007]利用混沌运动的遍历性对初始粒子的位置进行选取，并把到达边界的粒子重新放回到搜索空间，对这些粒子的初始位置按同样的混沌方法进行初始化，这样既不改变粒子群优化算法初始化时的随机性本质，又利用混沌提高了种群的多样性和粒子搜索的遍历性。
四、【具体实施方式】
[0008]混沌能在一定的范围内按其自身规律不重复地遍历所有状态。它是非线性确定性系统的一种内在随机过程的表现，具有随机性、遍历性和初值敏感性等特点。因此，可作为PSO算法中初始粒子和陷入边界位置的粒子重置位置的一种方法。混沌变量的产生，选择Logistic 映射:
[0009]Cr^ = -cr.) r = l,2,…(I)
[0010]其中μ是控制参数，Cj为混沛变量且O ≤Cj≤I, j = 1,2夂0，D为粒子位置的维数，r表示产生变异重置位置的粒子的序号。当μ =4时，上式完全处于混沌状态且混沌变量Cj在(0，1)范围内遍历。利用混沌运动对初始值比较敏感的特点，在(0，1)区间任取D个不同的初始值(不能为0，0.25，0.50，0.75,1),分别代入上式，则得到D个混沌变量心…，对应第一个变异的粒子的位置。对应第二个变异的粒子的位置为<，...,< ,依此类推。另外需要把混沌变量4映射到相应的优化空间中的变量<:
[0011]Xrj = xfn + (x；ax - xfm )c](2)[0012]式中xjmin，xjmax为 xrj 的变化范围的边界值。
[0013]如果利用混度粒子群优化算法进行支持向量机的参数优化选取，则可利用PSO算法对核参数a (或σ)和正则化系数C进行优选，即粒子Xi的维数D = 2。定义粒子群的位置向量X为Xi =[ai Ci] O由此可以看出，每个粒子的位置坐标都对应于SVM的一个参数。采用实值编码，因此只需要在解的区间内任意初始化即可，并取5-fold交叉验证误差作为PSO算法适应度函数。在迭代结束时，整个粒子群的最优位置就代表SVM的一组最优参数。
[0014]具体的操作为:选取N个初始值分别进行混沌迭代产生N条混沌轨道。N为粒子群粒子的个数。把每次迭代产生的N个混沌变量作为初始化粒子中的一个粒子的位置。这种采用混沌变量初始化粒子位置的方法，可以提高粒子群在整个迭代过程中的全局搜索能力。
【权利要求】
1.发明的一种混沌粒子群优化算法，其特征在于:利用混沌运动的遍历性对初始粒子的位置进行选取。
2.权利要求1所述的一种混沌粒子群优化算法，其特征还在于:这种初始粒子的位置选取方法，既 能保持粒子群优化算法的随机性，又能提高种群的多样性和粒子搜索的遍历性。
【文档编号】G06F19/00GK103902792SQ201210568355
【公开日】2014年7月2日 申请日期:2012年12月25日 优先权日:2012年12月25日
【发明者】王书舟 申请人:天津工业大学