基于种群聚集程度的粒子群算法
【技术领域】
[0001] 本发明涉及优化算法技术领域，特别涉及一种基于种群聚集程度的粒子群算法。
【背景技术】
[0002] 目前的粒子群（PSO)算法是一种典型的启发式仿生算法，其源于对鸟群觅食运动 行为的模拟，本质是根据个体和集体之间的信息交互来实现寻优，粒子群算法是一种典型 的群优化算法。
[0003] 粒子群算法以粒子代表优化问题的一个解，其对应的目标函数值被称为粒子的适 应度，多个粒子构成种群。各个粒子具有位置和速度，每次迭代中，各粒子根据个体所找到 过的最好位置和种群所找到过的最好位置来调整自身的位置和飞行速度，从而使整个种群 不断向更优解移动，最终将有希望到达全局最优解。
[0004] 粒子群算法的原理简单，相关参数少，容易实现，但其最大缺陷在于早熟收敛问 题，导致无法得到全局最优解。其中，导致粒子群算法早熟收敛的一个重要原因是：在整个 进化过程中，始终保持种群最优位置对所有粒子飞行方向的引导作用。这种方式虽然能够 获得较快的收敛速度，但是容易使种群陷入局部极值点，不利于寻求全局最优解，特别是在 迭代后期，大量粒子聚集于一个较小的搜索空间，整个种群单一性很强，已经基本丧失了对 空间中其他区域的寻优能力。
【发明内容】
[0005] 本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。
[0006] 为此，本发明的目的在于提出一种基于种群聚集程度的粒子群算法，该粒子群算 法可以提高算法的全局搜索能力，简单便捷。
[0007] 为达到上述目的，本发明一方面实施例提出了 一种基于种群聚集程度的粒子群算 法，包括以下步骤：S1，对种群进行初始化，其中，pbest初始化为粒子当前位置，gbest初 始化为种群最优位置；S2,初始化t = 0, t为迭代次数，并且初始化t_stagnate = 0, t_ stagnate为所述种群最优位置gbest的更新停滞次数；S3,初始化Flag_gbest = 0, Flag_ gbest = 0表示本次迭代寻优中所述种群最优位置gbest还未被更新，Flag_gbest表示本 次迭代寻优中所述种群最优位置gbest更新次数；S4,对所述种群进行更新；S5,判断所述 迭代次数t是否大于预设迭代次数T，如果是，执行步骤S11，否则执行步骤S6 ;S6,判断所 述更新迭代次数t_stagnate是否大于预设停滞次数T_stagnate，如果是，执行步骤S7,否 则执行步骤S3 ;S7,计算所述种群中每个粒子的粒子聚集程度和所述种群最优位置gbest 的粒子聚集程度；S8,根据所述种群中每个粒子的粒子聚集程度获取所述每个粒子与所述 种群最优位置gbest之间的距离；S9,根据所述每个粒子的适应度选取与种群规模数目相 符的多个粒子构成当前种群；S10,若Flag_gbest = 0,则置t_stagnate = t_stagnate+l， 并且执行步骤S4 ;以及Sll，达到最大迭代次数，结束。
[0008] 根据本发明实施例提出的基于种群聚集程度的粒子群算法，根据寻优过程的进展 和粒子聚集程度，从而对不同粒子采取不同进化策略，在特定情况下，粒子飞行方向可能不 受种群最优位置的引导、甚至飞向远离种群最优的方向，从而降低陷入局部极值点的可能 性、提高算法的全局搜索能力，有效避免了早熟收敛。
[0009] 另外，根据本发明上述实施例的基于种群聚集程度的粒子群算法还可以具有如下 附加的技术特征：
[0010] 进一步地，在本发明的一个实施例中，所述步骤S4进一步包括：对所述每个粒子 的速度和位置进行更新；如果所述适应度优于所述粒子当前位置pbest，则将所述粒子当 前位置pbest更新为当前粒子位置；如果所述种群中存在粒子的适应度优于所述种群最优 位置gbest，则将所述种群最优位置gbest更新为当前粒子位置，并且置所述更新停滞次数 t_stagnate = 0, Flag_gbest = 1，否则 t_stagnate = t_stagnate+l〇
[0011] 进一步地，在本发明的一个实施例中，所述步骤S8进一步包括：对于所述粒子聚 集程度最大的第一百分比粒子，计算所述第一百分比粒子与所述种群最优位置gbest之间 的距离，包括：如果两者距离小于最小距离阈值，则以预设概率对该粒子执行反向搜索；如 果两者距离大于最大距离阈值，则以该粒子为中心粒子生成小规模种群，并进行局部搜索， 然后将新粒子加入整个种群；更新各粒子的Pbest ;如果所述种群中存在粒子的适应度优 于所述种群最优位置gbest，则将所述种群最优位置gbest更新为当前粒子位置，并且置所 述更新停滞次数t_stagnate = 0, Flag_gbest = 1 ;对于粒子聚集程度最小的第二百分比 粒子，则计算所述第二百分比粒子与所述种群最优位置gbest之间的距离，包括：如果两者 距离小于所述最小距离阈值，则以该粒子为中心粒子生成小规模种群，并进行局部搜索，然 后将新粒子加入整个种群；如果两者距离大于所述最大距离阈值，若该适应度在种群前第 三百分比，则以该粒子为中心粒子生成小规模种群，并进行局部搜索，然后将新粒子加入整 个种群，若该适应度在种群后第四百分比，则直接随机生成新粒子取代该粒子；更新各粒子 的pbest ;如果所述种群中存在粒子的适应度优于所述种群最优位置gbest，则将所述种群 最优位置gbest更新为当前粒子位置，并且置所述更新停滞次数t_stagnate = 0, Flag_ gbest = I0
[0012] 进一步地，在本发明的一个实施例中，所述计算所述种群最优位置gbest的粒子 聚集程度，进一步包括：如果aDgree_gbest小于最小阈值，则以所述种群最优位置gbest 为中心粒子生成小规模种群，并进行局部搜索，然后将新粒子加入整个种群；如果aDgree_ gbest大于最大阈值，则计算所述种群最优位置gbest与所述种群中所有粒子之间的共享 度，从共享度大于〇的粒子中随机选取第五百分比粒子执行反向飞行，并进行局部搜索；更 新各粒子的pbest ;如果所述种群中存在粒子的适应度优于所述种群最优位置gbest，则将 所述种群最优位置gbest更新为当前粒子位置，并且置所述更新停滞次数t_stagnate = 0， Flag-gbest = 1〇
[0013] 进一步地，在本发明的一个实施例中，根据以下公式对所述每个粒子的速度进行 更新，所述公式为：
[0014]
[0015] 根据以下公式对所述每个粒子的位置进行更新，所述公式为：
[0016]
[0017] 其中，w为惯性因子，Cl、c2为学习因子，ri、r# [0，1]之间的随机数。
[0018] 进一步地，在本发明的一个实施例中，粒子X1的粒子聚集程度的定义式为：
[0019]
[0020] 所述种群最优位置gbest的粒子聚集程度定义式为：
[0021]
[0022] 进一步地，在本发明的一个实施例中，在对粒子执行方向搜索时，对粒子速度进行 放大。
[0023] 本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本发明的实践了解到。
【附图说明】
[0024] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变 得明显和容易理解，其中：
[0025] 图1为根据本发明一个实施例的基于种群聚集程度的粒子群算法的流程图；
[0026] 图2为根据本发明一个实施例的粒子反向搜索不意图。
【具体实施方式】
[0027] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0028] 此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性 或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或 者隐含地包括一个或者更多个该特征。在本发明的描述中，"多个"的含义是两个或两个以 上，除非另有明确具体的限定。
[0029] 在本发明中，除非另有明确的规定和限定，术语"安装"、"相连"、"连接"、"固定"等 术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机 械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元 件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发 明中的具体含义。
[0030] 在本发明中，除非另有明确的规定和限定，第一特