一种适用于单峰值和多峰值优化问题的改进粒子群优化算法

本发明属于智能优化算法领域，具体是涉及一种适用于单峰值和多峰值优化问题的改进粒子群优化算法。

背景技术：

1、近年来，传统的优化方法往往是对可微的目标函数和约束函数进行的，甚至要求更高，在目前的优化应用范围中存在太多限制条件。智能优化算法的出现为解决科研和工程应用领域中复杂优化问题提供了新的思路。当前智能算法主要有遗传算法、蚁群算法、模拟退火算法、粒子群优化算法等。其中，粒子群优化算法(particle swarm optimization，pso)，因其不依赖初值、智能高效、计算量小、收敛速度快、实现容易等优势，吸引了广大学者对粒子群算法的研究。目前，粒子群优化算法及相关派生算法已经在优化问题、神经网络训练、聚类分析、路径问题等实际问题中广泛应用。

2、粒子群优化算法是解决智能优化问题的经典算法之一，能直接决定粒子的收敛速度、收敛精度和稳定性的性能。但是pso算法在迭代后期，会导致粒子失去局部精细搜索的能力，使粒子失去多样性而陷于局部最优，出现过早收敛的情况。目前主流的一些解决这类问题的方法如对粒子的速度和位置公式进行改进、舍弃速度更新公式，只使用种群的全局最优解引导粒子进行位置更新、加入惯性权重等。因此，需要综合考虑粒子对维持全局搜索能力和局部搜索能力之间的平衡，同时提高粒子收敛速度、收敛精度和稳定性的性能。

技术实现思路

1、发明目的

2、本发明是针对单峰值和多峰值优化问题，提出一种适用于单峰值和多峰值优化问题的改进粒子群优化算法(recombination and selection injected pso，rsi-pso)，旨在解决提高粒子收敛速度、收敛精度和稳定性的性能问题。

3、技术方案

4、本发明技术方案如下：

5、1)采用混沌映射的非线性惯性权重机制进行优化，更好的平衡全局寻优以及局部寻优这两者之间的关系，使粒子具有跳出局部极值的能力。

6、2)进一步地，对粒子的速度和位置更新进行改进达到更好的优化效果。

7、3)该算法引入遗传算法中的交叉对粒子进行重组构成重组选择机制进行优化。

8、有益效果

9、本发明的算法既可以平衡粒子在迭代前期和后期的搜索能力。同时也可以提高粒子的收敛速度。还可以提高粒子的种群多样性，增加算法在迭代后期跳出局部最优的能力，避免陷入局部最优。

技术特征：

1.一种适用于单峰值和多峰值优化问题的改进粒子群优化算法，其特征是包括：

技术总结
本发明是一种适用于单峰值和多峰值优化问题的改进粒子群优化算法，该算法首先通过混沌映射生成更加无序的随机量，以构造非线性惯性权重，并兼顾迭代前期和后期的搜索能力。在新的惯性权重基础上，对粒子的速度和位置更新机制进行改进，以提高粒子的收敛速度。此外，引入了遗传算法中的交叉对粒子进行重组构成重组选择机制，提高粒子的种群多样性，增加算法在迭代后期跳出局部最优的能力，避免陷入局部最优。最后，通过选取10个经典的基准函数测试，将该算法与其他5种PSO算法的变体进行性能对比。本发明可以保证所有算法对测试基准函数的最大迭代次数都设为1000次，粒子的种群规模为100，所有算法分别以不同的基准函数为优化目标独立运行50次的前提下，提高了粒子的收敛速度、收敛精度和稳定性的性能。

技术研发人员：袁嫚嫚,陆奎
受保护的技术使用者：安徽理工大学
技术研发日：
技术公布日：2024/1/14