一种基于多策略的改进回溯搜索优化算法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110598831A(43)申请公布日2019.12.20(21)申请号201910749642.4(22)申请日2019.08.14(71)申请人西安理工大学地址710048陕西省西安市碑林区金花南路5号(72)发明人魏锋涛史云鹏(74)专利代理机构西安弘理专利事务所61214代理人杜娟(51)Int.Cl.G06N3/00(2006.01)G06N3/12(2006.01)权利要求书3页说明书13页附图7页(54)发明名称一种基于多策略的改进回溯搜索优化算法(57)摘要本发明公开了一种基于多策略的改进回溯搜索优化算法，包括以下步骤：1.设置最大迭代次数及种群初始化，2.历史种群进行更新产生新的历史种群，并对新历史种群中的个体进行随机排序；3.融合变异策略，4.交叉操作形成交叉后的种群，5.基于模拟退火的小生境种群更新，生成的新的初始种群，6.比较交叉后的种群和生成的新的初始种群中个体的适应度值，保留适应度值小的个体并且记录当前最优解和最优个体，同时对生成的新的初始种群进行更新；7.判断当前迭代次数，若大于最大迭代次数则输出当前最优解，若小于等于最大迭代次数，返回2进行下一次迭代。本发明在保证种群的多样性的同时提高了算法的收敛速度。CN110598831ACN110598831A权利要求书1/3页1.一种基于多策略的改进回溯搜索优化算法，其特征在于，具体按照以下步骤实施：步骤1，设置最大迭代次数并进行种群初始化设置最大迭代次数K并随机产生初始种群popi,j和历史种群historical_popi,j，其中i＝1,2,3,...,N，j＝1,2,3,...,D，N为种群数，D为问题维数；步骤2，选择Ⅰ对步骤1产生的历史种群进行更新，产生新的历史种群historical_popi,j，并对新的历史种群historical_popi,j中的个体进行随机排序；步骤3，融合变异策略将柯西变异算子和多项式变异算子进行融合后对步骤1产生的初始种群popi,j和经步骤2随机排序的新的历史种群historical_popi,j进行变异，产生融合变异后的种群offspringsi,j；步骤4，交叉改进策略将经步骤3融合变异的种群进行交叉操作，形成交叉后的种群Ti,j；步骤5，基于模拟退火的小生境判断，生成新的种群首先，求出步骤1中初始种群popi,中每个个体到其他个体之间的欧氏距离d，然后，计算出每个个体到其他个体欧氏距离的最小值Mi，在求出最小欧氏距离Mi的平均值r，以平均值r作为小生境半径，重新生成处于小生境半径r内的个体，生成新的种群newpopi,j；步骤6，选择Ⅱ比较步骤4交叉后的种群Ti,j和步骤5生成的新的种群newpopi,j中个体的适应度值，保留适应度值小的个体及对应的适应度值，同时对步骤5生成的新的种群newpopi,j进行更新，形成新的初始种群popi,j；步骤7，判断当前迭代次数，若当前迭代次数小于等于最大迭代次数K，则以步骤6形成的新的初始种群popi,j作为初始种群返回步骤2进行下一次迭代，若当前迭代次数大于最大迭代次数K，则输出当前最优解和最优个体。2.根据权利要求1所述的一种基于多策略的改进回溯搜索优化算法，其特征在于，所述步骤1中的初始种群popi,j和历史种群historical_popi,j按照以下公式产生：popi,j＝rand×(upj-lowj)+lowj(1)historical_popi,j＝rand×(upj-lowj)+lowj(2)式中，i＝1,2,3,...,N，j＝1,2,3,...,D，N为种群数，D为问题维数，rand是(0,1)均匀分布的随机数，lowj和upj分别是变量的下界和上界。3.根据权利要求1所述的一种基于多策略的改进回溯搜索优化算法，其特征在于，所述步骤2中对步骤1产生的历史种群进行更新，产生新的历史种群historical_popi,j按照公式(3)进行：Ifa＜bthenhistorical_popi,j＝popi,jIfa≥bthenhistorical_popi,j＝historical_popi,j(3)其中，a,b是(0,1)均匀分布的随机数；对新的历史种群historical_popi,j中的个体进行随机排序，按照公式(4)进行：historical_popi,j＝permuting(historical_popi,j)，permuting为随机排序函数。4.根据权利要求1所述的一种基于多策略的改进回溯搜索优化算法，其特征在于，所述2CN110598831A权利要求书2/3页步骤3将柯西变异算子和多项式变异算子进行融合后对步骤1产生的初始种群popi,j和经步骤2随机排序的新的