[发明专利]一种基于自适应高斯变异的花朵授粉算法的优化方法

摘要

本发明公开了一种基于自适应高斯变异的花朵授粉算法的优化方法，首先将种群按照适应度值进行排序并分组，然后更新各分组中最差个体的位置，不仅增强了算法的局部深度搜索能力而且增加种群多样性；其次，通过公示牌动态监测算法是否陷入局部最优，当陷入时，将自动引入高斯变异操作算子，对全局最优个体执行变异操作，不仅提高个体跳出局部最优的能力，而且增强种群多样性、加快收敛速度。本发明方法具有更好的稳定性和可靠性、更快的收敛速度及更高的寻优精度。

主权项

一种基于自适应高斯变异的花朵授粉算法的优化方法，其特征在于，依次包括以下步骤，步骤一、初始化基本参数和种群位置，包括设置种群规模为NP，最大迭代次数为itermax，交叉授粉概率PC、最小收敛精度Fmin以及搜索空间D；在D维空间中随机生成NP个点作为初始种群P(t)＝{Xti}，其中t为当前迭代次数步骤二、计算个体适应度值，确定当前全局最优个体，并记录其位置信息；步骤三、判断目标函数是否收敛：若是则转步骤十一，否则转步骤四；步骤四、若i＜NP，转步骤五，否则t＝t+1，转步骤六；步骤五、在[0,1]上生成一个随机数rand，若rand＜PC，则按照交叉授粉方式更新Xti位置并进行越界处理；否则按照自花授粉方式更新Xti位置并进行越界处理，i＝i+1，转步骤四；步骤六、计算所有个体适应度值并进行升序排列，分成m个模因组，并将当前最优个体的适应度值及其空间位置信息记录到公示牌中；步骤七、确定每个模因组中最优个体Xb和最差个体Xw；并更新Xw的位置；当所有模因组均完成更新操作时，混合所有个体形成新种群；步骤八、重新计算新种群适应度值并确定当前全局最优个体X’g，若f(X’g)＜f(Xg)，则更新公示牌中的信息；步骤九、判断是否满足变异条件：若公示牌中的适应度值f(xi)连续Q代未变化或|变化量|＜μ，且迭代次数＞Q‑1，则对Xg进行高斯变异，其中Q、μ为预设阈值；若优于原Xg，则用代替Xg，并更新公示牌中的信息；否则，丢弃变异后的解；步骤十、若t＜itermax或f(xg)＞Fmin，转步骤三进入下一次迭代；否则转步骤十一；步骤十一、输出最优值及其对应个体的位置信息。