一种保存优秀样本个体策略的寻优方法、设备及存储设备与流程

本发明涉及智能计算领域，具体涉及一种保存优秀样本个体策略的寻优方法、设备及存储设备。
背景技术：
：差分演化算法(differentialevolution，de)是基于群体的启发式搜索算法，毫无争议地是目前使用的随机实数优化算法中最有效的算法之一。它与标准的演化算法(evolutionaryalgorithms，eas)一样，都是对生物进化过程中优胜劣汰的模拟，包括种群初始化、变异、交叉和生存选择。但是又与传统的eas不同，de算法同时采用随机选取和指定选取种群中某些个体的方式，通过对被选取个体之间的差值进行缩放，并将缩放后的差值用于父代个体的变异中。自从1995年被提出后，de算法便得到了全世界学者的广泛关注，然而，de算法也存在不足：(1)de虽然在全局搜索上有着突出的表现，其在局部搜索能力方面仍有欠缺，这使算法在演化后期收敛速度变慢，从而不能满足算法在评估次数较少的情况下快速收敛到问题最优解的要求；(2)de算法中变异策略的样本选择一般是随机选择，这样得到的种群既可能相对分散，也可能较为集中，鲁棒性方面仍存在不足。因此，如何找到一种后期收敛速度较快且鲁棒性较好的方法就成为业界亟待解决的问题。技术实现要素：本发明提供了一种保存优秀样本个体策略的寻优方法、设备及存储设备，通过将两种算法相结合，并引入触发机制、优秀个体保存机制及种群重启机制，可以解决寻优后期收敛速度慢及样本随机选择带来的鲁棒性不足的问题。本发明提供的技术方案是：一种保存优秀样本个体策略的寻优方法，所述方法包括步骤：设定局部搜索触发条件；判断待优化种群是否满足所述局部搜索触发条件；若不满足，则采用第一种算法进行种群优化；在第一种算法中引入优秀个体保存机制保证种群优化的多样性；若满足，则采用第二种算法进行种群优化；在第二种算法中引入种群重启机制避免种群优化的局部性；得到最终优化后种群中的最优解。存储设备，所述存储设备存储指令及数据用于实现所述一种保存优秀样本个体策略的寻优方法。一种保存优秀样本个体策略的寻优设备，所述设备包括处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现所述的一种保存优秀样本个体策略的寻优方法。本发明的有益效果是：本发明提供了一种保存优秀样本个体策略的寻优方法、设备及存储设备，通过将两种算法相结合，并引入触发机制、优秀个体保存机制及种群重启机制，可以解决寻优后期收敛速度慢及样本随机选择带来的鲁棒性不足的问题。附图说明图1是本发明实施例中保存优秀样本个体策略的寻优方法的整体流程图；图2是本发明实施例中优秀个体保存机制具体步骤流程图；图3是本发明实施例中种群重启机制具体步骤流程图；图4是本发明实施例的硬件设备工作示意图。具体实施方式为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述，下文中提到的具体技术细节，如：方法，设备等，仅为使读者更好的理解技术方案，并不代表本发明仅局限于以下技术细节。本发明的实施例提供了一种保存优秀样本个体策略的寻优方法、设备及存储设备。请参阅图1，图1是本发明实施例中保存优秀样本个体策略的寻优方法的整体流程图，所述方法由硬件设备实现，具体步骤包括：s101：设定局部搜索触发条件。所述局部搜索触发条件为：其中，ρ1，max为阈值，ρ1为种群粗糙程度，fi(x)为种群中第i个个体的目标函数值，favg(x)为种群的平均目标函数值。所述局部搜索触发条件还可以为：ρ2，max＞ρ2＝max(||xi-xj||)其中，ρ2，max为阈值，ρ2为种群空间中最大距离，xi及xj为当前种群中任意个体.s102：判断待优化种群是否满足所述局部搜索触发条件。s103：若不满足，在第一种算法中引入优秀个体保存机制保证种群优化的多样性，所述第一种算法具体为de算法。s104：采用第一种算法进行种群优化。s105：若满足，在第二种算法中引入种群重启机制避免种群优化的局部性，所述，所述第二种算法具体为bfgs算法。s106：采用第二种算法进行种群优化。s107：得到最终优化后种群中的最优解。参见图2，图2是本发明实施例中优秀个体保存机制具体步骤流程图，包括：s201：设置存储空间k。s202：将每代中最优秀个体存储在所述存储空间k中。s203：当存储空间k存满时，计算当前待存储个体与存储空间k中每一个体的欧式距离，得到一个与待存储个体最为接近的个体。s204：比较两者并保存更优秀的个体到存储空间k中。存储空间k中保存的优秀个体用于变异过程中样本选择概率的计算，距离存储空间k中优秀个体越远其被选为样本的概率就越大，距离存储空间k中优秀个体越近其被选为样本的概率就越小；所述样本选择概率的计算为：其中，di,g,j是g代种群的第i个个体与存储空间k中第j个个体的欧式距离，a是储空间k中已存储的优秀个体数量；g代种群中每一个体的di,g,,mean的最大者记为dg,,max；g代种群中每一个体被选为样本的概率为：参见图3，图3是本发明实施例中种群重启机制具体步骤流程图，包括：s301：判断局部最优解是否比全局最优解差。s302：如果不是，则继续当前算法并最终得到最优解。s303：如果是，则对种群进行初始化。s304：设定初始化次数，具体为：r＝rmax+rlater，其中，r为初始化次数，rmax为前rmax次初始化，rlater为后rlater次初始化；在rmax次初始化中，在整个搜索空间内对种群进行随机初始化，尽可能在算法演化初期将种群分布到整个搜索空间；在后rlater次初始化中，根据存储空间k中个体的均值和方差进行初始化，在限定范围内寻找最优解。s305：完成初始化次数后得到种群的最优解。参见图4，图4是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：一种保存优秀样本个体策略的寻优设备401、处理器402及存储设备403。保存优秀样本个体策略的寻优设备401：所述一种保存优秀样本个体策略的寻优设备401实现所述一种保存优秀样本个体策略的寻优方法。处理器402：所述处理器402加载并执行所述存储设备403中的指令及数据用于实现所述的一种保存优秀样本个体策略的寻优方法。存储设备403：所述存储设备403存储指令及数据；所述存储设备403用于实现所述的一种保存优秀样本个体策略的寻优方法。为了验证本方法的有效性，将本算法(delr-sis，differentialevolutionwithlocalsearchandre-initializationenhancingbysuccessful-individual-savingstrategy)与其他12种算法在标准测试集cec2005上的21个非噪声函数上进行对比试验，所有测试函数在问题维度d取值为10和取值为30的两种情况下均进行测试。这些算法包括一些经典的de改进算法，如jade、jde、code、sade、epsde算法，以及其他目前较为有竞争力的算法，如cobide、lbbo、mpede、shade、lshade、lshade-e和umoeasii。此外，为了验证算法中优秀个体保存策略的有效性，单独将算法中优秀个体保存策略相关部分剔除进行实验，并与原算法进行对比。根据标准测试集cec2005的官方文档要求，每个算法在每一个测试函数上进行25轮独立重复实验，并取25次结果的均值和均方差作为最终结果进行对比。为使结果的对比分析更具说服力，本发明利用keel软件，通过其中的非参检验方式工具，wilcoxon符号秩检验和friedman检验，对所有算法结果进行对比分析。如表1和表3所示，分别为所有算法在问题维度d＝10时，在所有测试函数上的wilcoxon符号秩检验和friedman检验结果分析，其中delr表示delr-sis去掉优秀个体保存策略后的部分，且重启部分全部设定为随机重启。表1中，r+反映了对应算法在测试函数上结果大于delr-sis结果的情况，亦即对应算法性能差于delr-sis性能的情况，且r+越大，两者之间的差距越大；反之r-反映对应算法优于delr-sis的情况。p-value表示两个对比算法的结果没有明显差异的概率，而α表示显著水平，此处分别取0.1和0.05；最后，可以根据p-value在设定的显著水平下判断是否接受两个对比算法没有显著差异这一假设，其中‘+’表示有显著差异，而‘＝’表示没有显著差异。如表1所示，当d＝10时，除算法lshade外，delr-sis在两种显著水平下都明显优于其他所有算法。而对于算法lshade，在这两种显著水平下都与delr-sis表现相当，但根据r+反映的情况来看，delr-sis仍然占据优势。表3表示d＝10时，所有算法通过friedman检验进行的一个排名，排名越靠前，则说明算法性能越优越。如表3所示，黑色加粗的算法为排名第一的算法，显然，delr-sis在所有算法中表现最好，这也与wilcoxon符号秩检验结果一致。同理，表2和表4分别为所有算法在问题维度d＝30时，在所有测试函数上的wilcoxon符号秩检验和friedman检验结果分析。根据表2，delr-sis较d＝10时的优势有所减弱，除在jde、code、sade和lbbo上有明显优势外，与其他算法在两种显著水平下没有明显优势。但是，根据r+反映的情况来看，除算法umoeasii外，delr-sis在性能上仍然优于其他算法。这一点也通过表4中的friedman检验排名得到验证。在表4中，算法umoeasii排名第一，而delr-sis和lshade则紧随其后，排名并列第二。同时，优秀个体保存机制的有效性可以通过单独对比delr-sis和delr的结果得到验证，显然，无论当d＝10时，还是d＝30时，delr-sis的性能都优于delr-sis。单独对比delr与其他算法的friedman检验排名，当d＝10时，除delr-sis外，只有umoeasii、lshade和code要略优于delr，而当d＝30时，除delr-sis外，只有算法umoeasii、lshade和lshade-e要优于delr，这说明de算法与局部搜索bfgs相结合并辅以种群重启机制能有效地缓解de在局部搜索上的不足，使算法总体性能得到提升。而算法delr-sis在所有测试分析上的明显优势则证明，本发明中de与局部搜索bfgs相混合，同时结合优秀个体保存机制和种群重启机制对于弥补de算法的不足并发挥其优势有显著效果。表1d＝10时，所有算法与delr-sis的wilcoxon秩和检验分析表2d＝30时，所有算法与delr-sis的wilcoxon秩和检验分析算法r+r-p-value显著水平α＝0.1显著水平α＝0.05jade147.063.00.110919＝＝jde195.535.50.005142++code162.547.50.029597++sade208.522.50.001098++epsde150.081.00.223788＝＝cobide158.572.50.130545＝＝lbbo187.543.50.011376++mpede145.065.00.130541＝＝shade154.576.50.169775＝＝lshade138.592.50.41404＝＝lshade-e149.581.50.230474＝＝umoeasii87.5143.51＝＝delr133.077.00.287337＝＝通过执行本发明的实施例，本发明权利要求里的所有技术特征都得到了详尽阐述。区别于现有技术，本发明的实施例提供了一种保存优秀样本个体策略的寻优方法、设备及存储设备，通过将两种算法相结合，并引入触发机制、优秀个体保存机制及种群重启机制，可以解决寻优后期收敛速度慢及样本随机选择带来的鲁棒性不足的问题。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12