CN106845725B - 一种工程参数寻优方法及*** - Google Patents
一种工程参数寻优方法及*** Download PDFInfo
- Publication number
- CN106845725B CN106845725B CN201710075771.0A CN201710075771A CN106845725B CN 106845725 B CN106845725 B CN 106845725B CN 201710075771 A CN201710075771 A CN 201710075771A CN 106845725 B CN106845725 B CN 106845725B
- Authority
- CN
- China
- Prior art keywords
- wolf
- group
- individuals
- pack
- individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005457 optimization Methods 0.000 title claims description 16
- 241000282461 Canis lupus Species 0.000 claims abstract description 459
- 238000012216 screening Methods 0.000 claims abstract description 27
- 238000012937 correction Methods 0.000 claims description 52
- 238000010606 normalization Methods 0.000 claims description 47
- 238000004364 calculation method Methods 0.000 claims description 24
- 229940088594 vitamin Drugs 0.000 claims description 8
- 229930003231 vitamin Natural products 0.000 claims description 8
- 235000013343 vitamin Nutrition 0.000 claims description 8
- 239000011782 vitamin Substances 0.000 claims description 8
- 150000003722 vitamin derivatives Chemical class 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 239000000446 fuel Substances 0.000 claims description 6
- 241001032673 Canis lupus pallipes Species 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 241000282421 Canidae Species 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 description 13
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种工程参数寻优方法包括:预先构建与预设工程问题对应的目标函数;在满足目标函数的约束条件的前提下,利用新型灰狼算法对目标函数求解;其中,利用新型灰狼算法对目标函数求解具体过程包括:预设狼群;对狼群进行S次迭代更新,得到更新后的狼群;从更新后的狼群中筛选出全局最优个体,并将全局最优个体所对应的维确定为预设工程问题的最优工程参数;其中,迭代更新过程包括:对狼群进行更新,进行适应度计算,利用纵向交叉操作,修正更新方向。本申请加入了竞争策略,还利用纵横交叉算法中的纵向交叉操作,避免狼群陷入局部最优的可能性。另外,本申请还相应公开了一种工程参数寻优***。
Description
技术领域
本发明涉及工程寻优技术领域,特别涉及一种工程参数寻优方法及***。
背景技术
随着***工程理论研究的日趋成熟和现代计算机技术的不断发展与应用,各种新型群智能优化算法得到了快速发展,相比于传统数学优化方法,新型群智能优化算法不需要过度依赖数学模型,在求解多约束优化问题时也不需要将数学模型进行简化,避免牺牲求解精度。因此,其具有较强的适用性,并成为目前优化领域研究的热点之一。
现有技术中,灰狼算法是一种新型元启发式搜索算法,该算法具有结构简单、控制参数少、易于实现、有较强的搜索能力等特点,在优化领域,已被证明在计算效率和求解精度上均优于粒子群算法,并且在特征子集选择、直流电机最优控制、多输入多输出电力***、多层传感器训练及电力***经济调度等领域中具有广泛的应用,但其仍存在容易陷入局部最优的缺陷。
发明内容
有鉴于此,本发明的目的在于提供。其具体方案如下:
一种工程参数寻优方法,包括:
预先构建与预设工程问题对应的目标函数;其中,所述目标函数对应的解为d维的解,d为正整数;
在满足所述目标函数的约束条件的前提下,利用新型灰狼算法对所述目标函数求解;
其中,利用所述新型灰狼算法对所述目标函数求解具体过程包括:
预设狼群;其中,所述狼群包括M个个体,所述狼群中每一个个体均构成所述目标函数的一个解,M为正整数;
对所述狼群进行S次迭代更新,得到更新后的狼群,S为正整数;
从所述更新后的狼群中筛选出全局最优个体,并将所述全局最优个体所对应的解确定为所述预设工程问题的最优工程参数;
其中,对所述狼群进行任一次迭代更新的过程,包括:对所述狼群进行更新,得到中庸狼群,对所述狼群和所述中庸狼群中每个个体进行适应度计算,从所述狼群中的个体和一一对应的所述中庸狼群的个体之间筛选出适应度最高的第一组M个个体,得到第一狼群,当满足修正条件,则利用纵向交叉操作,修正所述第一狼群更新方向,得到修正后的中庸狼群,对所述第一狼群和所述修正后的中庸狼群中每个个体进行适应度计算,从所述第一狼群中的个体和一一对应的所述修正后的中庸狼群的个体之间筛选出适应度最高的第二组M个个体,得到第二狼群。
优选的,所述对所述狼群进行更新,得到中庸狼群的过程,包括:
利用更新公式,对所述狼群进行更新,得到所述中庸狼群;其中,所述更新公式为:
优选的,所述对所述狼群和所述中庸狼群中每个个体进行适应度计算,从所述狼群中的个体和一一对应的所述中庸狼群的个体之间筛选出适应度最高的第一组M个个体,得到第一狼群,包括:
利用所述目标函数,对所述狼群和所述中庸狼群中每个个体进行适应度计算,利用筛选公式从所述狼群中的个体和一一对应的所述中庸狼群的个体之间筛选出适应度最高的所述第一组M个个体,得到所述第一狼群;其中,所述筛选公式为:
优选的,每次方向修正操作只产生一维子代。
优选的,所述当满足修正条件,则利用纵向交叉操作,修正所述第一狼群更新方向,得到修正后的中庸狼群的过程,包括:
对所述第一狼群中每个个体的维执行归一化操作;
对所述第一狼群中个体的所有维进行随机两两不重复配对,并对满足修正条件的配对维进行修正,得到修正后中庸狼个体标量的维,当不满足所述修正条件,则不进行修正;
对所述修正后中庸狼个体标量的维进行反归一化操作,得到所述修正后的中庸狼群。
优选的,所述对所述第一狼群中每个个体的维执行归一化操作的过程,包括:
利用归一化公式,对所述第一狼群中每个个体的维执行归一化操作;其中,所述归一化公式为:
优选的,所述对所述第一狼群中个体的所有维进行随机两两不重复配对,并对满足修正条件的配对维进行修正,得到修正后中庸狼个体标量的维的过程,包括:
利用修正公式,对第一狼群中个体的所有维进行随机两两不重复配对,并对满足服从正态分布的随机参数rand小于预设修正概率pv的每一配对维进行修正,得到修正后中庸狼个体标量的维;其中,随机参数rand为0到1的随机数,所述修正公式为:
优选的,所述对所述修正后中庸狼个体标量的维进行反归一化操作,得到所述修正后的中庸狼群的过程,包括:
利用反归一化公式,对所述修正后中庸狼个体标量的维进行反归一化操作,得到所述修正后的中庸狼群;其中,所述反归一化公式为:
本发明还公开了一种工程参数寻优***,包括:
目标函数构建模块,用于预先构建与预设工程问题对应的目标函数;其中,所述目标函数对应的解为d维的解,d为正整数;
目标函数计算模块,用于在满足所述目标函数的约束条件的前提下,利用新型灰狼算法对所述目标函数求解;
其中,所述目标函数计算模块包括:
狼群预设子模块,用于预设狼群;其中,所述狼群包括M个个体,所述狼群中每一个个体均构成所述目标函数的一个解,M为正整数;
狼群迭代子模块,用于对所述狼群进行S次迭代更新,得到更新后的狼群,S为正整数;
参数确定子模块,用于从所述更新后的狼群中筛选出全局最优个体,并将所述全局最优个体所对应的解确定为所述预设工程问题的最优工程参数;
其中,所述狼群迭代子模块对所述狼群进行任一次迭代更新的过程,包括:对所述狼群进行更新,得到中庸狼群,对所述狼群和所述中庸狼群中每个个体进行适应度计算,从所述狼群中的个体和一一对应的所述中庸狼群的个体之间筛选出适应度最高的第一组M个个体,得到第一狼群,当满足修正条件,则利用纵向交叉操作,修正所述第一狼群更新方向,得到修正后的中庸狼群,对所述第一狼群和所述修正后的中庸狼群中每个个体进行适应度计算,从所述第一狼群中的个体和一一对应的所述修正后的中庸狼群的个体之间筛选出适应度最高的第二组M个个体,得到第二狼群。
优选的,所述狼群迭代子模块,包括:
归一化单元,用于对所述第一狼群中每个个体的维执行归一化操作;
修正单元,用于对所述第一狼群中个体的所有维进行随机两两不重复配对,并对满足修正条件的配对维进行修正,得到修正后中庸狼个体标量的维,当不满足所述修正条件,则不进行修正;
反归一化单元,用于对所述修正后中庸狼个体标量的维进行反归一化操作,得到所述修正后的中庸狼群。
本发明中,工程参数寻优方法包括:预先构建与预设工程问题对应的目标函数;其中,目标函数对应的解为d维的解,d为正整数;在满足目标函数的约束条件的前提下,利用新型灰狼算法对目标函数求解;其中,利用新型灰狼算法对目标函数求解具体过程包括:预设狼群;其中,狼群包括M个个体,狼群中每一个个体均构成目标函数的一个解,M为正整数;对狼群进行S次迭代更新,得到更新后的狼群,S为正整数;从更新后的狼群中筛选出全局最优个体,并将全局最优个体所对应的维确定为预设工程问题的最优工程参数;其中,对狼群进行任一次迭代更新的过程,包括:对狼群进行更新,得到中庸狼群,对狼群和中庸狼群中每个个体进行适应度计算,从狼群中的个体和一一对应的中庸狼群的个体之间筛选出适应度最高的第一组M个个体,得到第一狼群,当满足修正条件,则利用纵向交叉操作,修正第一狼群更新方向,得到修正后的中庸狼群,对第一狼群和修正后的中庸狼群中每个个体进行适应度计算,从第一狼群中的个体和一一对应的修正后的中庸狼群的个体之间筛选出适应度最高的第二组M个个体,得到第二狼群。可见,本发明在对狼群更迭过程中,还加入了竞争策略,即在更新后,计算更新前狼群和更新后狼群一一对应的个体之间的适应度,且适应度高的个体才会保留下来,避免了采用更新后产生的偏离个体,使狼群始终保持自身历史最优位置,有效提高算法的收敛速度,同时,还利用纵横交叉算法中的纵向交叉操作,对狼群进行方向修正,避免狼群出现严重的位置偏差,使狼群具备自主修正前进方向,能够向猎物聚集,协助部分维摆脱维局部最优困境,避免狼群陷入局部最优的可能性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种工程参数寻优方法流程图;
图2为本发明实施例提供的新型灰狼优化算法的位置更新过程示意图;
图3为本发明实施例提供的一种工程参数寻优***结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种工程参数寻优方法,参见图1所示,该方法包括:
步骤S11:预先构建与预设工程问题对应的目标函数;其中,目标函数对应的解为d维的解,d为正整数。
本发明实施例中,上述预设工程问题所对应的工程领域有很多种,包括电力工程、生物工程、人工智能、航天工程等。例如,在电力工程领域,如何计算水火发电***中包含多个发电机组的火电厂的最小***燃料费用,针对该工程问题,可以构建***燃料费用与火电厂出力之间的函数关系,从而得到相应的目标函数,并且需要增加各种约束条件,以防止出现脱离实际应用情况的结果,例如,***功率平衡约束、水量平衡约束、水电站出力约束、火电厂的出力约束等各种约束条件,可以理解的是,上述目标函数中火电厂出力是目标函数的自变量,也即是相应工程问题中需要寻优的工程参数,上述目标函数中的***燃料费用则是目标函数的因变量。
另外,需要说明的是,本发明实施例中,假设目标函数中自变量的个数为d个,则该目标函数所对应的解便为d维的解,也即,该目标函数所对应的解中包括d个优化参数。
具体的,目标函数的设计结构可以为下式:
目标函数:miny=f(x);
步骤S12:在满足目标函数的约束条件的前提下,利用新型灰狼算法对目标函数求解。
本发明实施例中的新型灰狼算法是基于现有的灰狼算法改进而来,仍保留有狼个体α领导整个狼群,主要负责狩猎过程的决策制定,狼个体β位于狼群的第二阶层,主要负责协助α做决策,狼个体δ位于狼群的第三阶层,主要负责侦查、警戒、打围、看守,剩余狼群为ω位于最底层,服从于其它高阶层狼的命令,并开展有关的群体狩猎行动的基本结构。且通过对狼个***置的不断更新,狼个体会逐渐靠近最优解,即狼个体的最终位置便是全局最优解。
可以理解的是,通过查找到全局最优个体,也就能够得知个体的位置,即具体的解,从而得出预设工程问题的最优工程参数。
其中,利用新型灰狼算法对目标函数求解具体过程包括步骤S121至步骤S123:
步骤S121:预设狼群;其中,狼群包括M个个体,狼群中每一个个体均构成目标函数的一个解,M为正整数。
其中,预设与目标函数相应的狼群,狼群的个体数M可以根据实际应用需求进行设定,例如,设定狼群包括100个个体。
具体的,预设狼群后利用距离向量公式计算狼个体与猎物之间的距离,利用位置计算公式使狼个体α、β、δ引导其余个体ω向猎物移动;其中,
步骤S122:对狼群进行S次迭代更新,得到更新后的狼群,S为正整数。
其中,对狼群进行任一次迭代更新的过程,包括:对狼群进行更新,得到中庸狼群,对狼群和中庸狼群中每个个体进行适应度计算,从狼群中的个体和一一对应的中庸狼群的个体之间筛选出适应度最高的第一组M个个体,得到第一狼群,当满足修正条件,则利用纵向交叉操作,采取方向修正操作,修正第一狼群更新方向,得到修正后的中庸狼群,对第一狼群和修正后的中庸狼群中每个个体进行适应度计算,从第一狼群中的个体和一一对应的修正后的中庸狼群的个体之间筛选出适应度最高的第二组M个个体,得到第二狼群。
需要说明的是,上述狼群迭代次数S可以根据实际应用需求进行设定,例如可以设定为100。
本发明实施例中,迭代过程中包括灰狼算法的包围和捕猎过程,例如,一次迭代后将得到第二狼群的位置,进入下一次迭代,从第二狼群中选出α、β和δ,指引第二狼群包围猎物,再利用竞争策略和方向修正操作,协助狼群找到最优位置,得到更新后的第二狼群,再利用更新后的第二狼群进行迭代,以此往复,直到停止迭代。
步骤S123:从更新后的狼群中筛选出全局最优个体,并将全局最优个体所对应的解确定为预设工程问题的最优工程参数。
具体的,当达到最大迭代次数后,将输出更新后的狼群,即最优第二狼群,通过从更新后的狼群中,筛选出全局最优个体,将全局最优个体的位置,即全局最优个体所对应的解,确定为预设工程问题的最优工程参数。
可见,本发明实施例在对狼群更迭过程中,还加入了竞争策略,即在更新后,计算更新前狼群和更新后狼群一一对应的个体之间的适应度,且适应度高的个体才会保留下来,避免了采用更新后产生的偏离个体,使狼群始终保持自身历史最优位置,有效提高算法的收敛速度,同时,还利用纵横交叉算法中的纵向交叉操作,对狼群进行方向修正,避免狼群出现严重的位置偏差,使狼群能够自主修正前进狼群的方向,能够向猎物聚集,协助部分维摆脱维局部最优困境,避免狼群陷入局部最优的可能性。
本发明实施例公开了一种具体的工程参数寻优方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的:
上一实施例步骤S122中,对狼群进行任一次迭代更新的过程,包括:对狼群进行更新,得到中庸狼群,对狼群和中庸狼群中每个个体进行适应度计算,从狼群中的个体和一一对应的中庸狼群的个体之间筛选出适应度最高的第一组M个个体,得到第一狼群,当满足修正条件,则利用纵向交叉操作,修正第一狼群更新方向,得到修正后的中庸狼群,对第一狼群和修正后的中庸狼群中每个个体进行适应度计算,从第一狼群中的个体和一一对应的修正后的中庸狼群的个体之间筛选出适应度最高的第二组M个个体,得到第二狼群。
本发明实施例中,上述对狼群进行任一次迭代更新的过程,具体包括:下面步骤S21至步骤S24:
步骤S21:对狼群进行更新,得到中庸狼群。
具体的,将α、β、δ和ω的位置代入距离向量公式和位置计算公式,以为计算出中庸狼位置做准备;其中,
再利用更新公式,对狼群进行更新,得到中庸狼群;其中,
步骤S22:对狼群和中庸狼群中每个个体进行适应度计算,从狼群中的个体和一一对应的中庸狼群的个体之间筛选出适应度最高的第一组M个个体,得到第一狼群。
需要说明的是,中庸狼群相对于狼群更新前是位置发生改变的狼群,并没有改变个体其他的属性,因此,中庸狼群中的个体与更新前狼群中的个体保持着一一对应关系,由于单纯的加入随机变量而更新的位置并不一定是最优的,因此,采用竞争策略,利用目标函数,对狼群和中庸狼群中每个个体进行适应度计算,利用筛选公式从狼群中的个体和一一对应的中庸狼群的个体之间筛选出适应度最高的第一组M个个体,得到第一狼群;其中,
例如,狼群中第10个狼个体当前位置为5,狼群中第15个狼个体当前位置为14,更新后第10个狼个体和第15个狼个体改变其位置,并作为第10个中庸狼在中庸狼群中位置变更为9和第15个中庸狼在中庸狼群中位置变更为18,计算更新前后的适应度,假设计算出的适应度值为成本,位置为5时成本为20,位置为14时成本为40,位置为9时成本为30,位置为18时成本为35,第10个狼个体与其作为中庸狼时的位置的成本之间进行比较,选出成本最低的进行保留,第15个狼个体与其作为中庸狼时的位置的成本之间进行比较,选出成本最低的进行保留,因此,保留狼群中第10个狼个体的位置和中庸狼群中第15个中庸狼的位置,并作为第一狼群中的个体。
步骤S23:当满足修正条件,则利用纵向交叉操作,修正第一狼群更新方向,得到修正后的中庸狼群的过程具体包括:步骤S231至S233。
步骤S231:对第一狼群中每个个体的维执行归一化操作。
具体的,利用归一化公式,对第一狼群中每个个体的维执行归一化操作;其中,
步骤S232:对第一狼群中个体的所有维进行随机两两不重复配对,并对满足修正条件的配对维进行修正,得到修正后中庸狼个体标量的维,当不满足修正条件,则不进行修正。
具体的,利用修正公式,对第一狼群中个体的所有维进行随机两两不重复配对,并对满足服从正态分布的随机参数rand小于预设修正概率pv的配对维进行修正,得到修正后中庸狼个体标量的维,对服从正态分布的随机参数rand大于等于预设修正概率pv的配对维不进行修正,防止破坏正常的维;其中,随机参数rand为0到1的随机数,
例如,一个个体中有10个维,1号到10号,随机两两不重复配对,得到1号与3号、2号与6号、4号与5号、7号与10号和8号与9号五对维,即,第一对到第五对,五个配对维,判断与每个配对维相应的随机参数rand是否小于预设修正概率pv,如,第一对、第三对和第四对各自的随机参数rand小于预设修正概率pv,则将第一对、第三对和第四对维代入修正公式,对1号或3号、4号或5号和7号或10号进行修正,即,对第一对、第三对和第四对中各自的一个维,如,对第一对中的1号维、第三对中的5号维和第四对中的10号维进行修正,其中,第二对与第五对各自的随机参数rand大于等于预设修正概率pv,则不用进行修正。
需要说明的是,每次方向修正操作只产生一维子代,利于协助部分维摆脱维局部最优的同时避免破坏正常维,当然根据实际应用需求,也可以产生多维子代,并从中进行筛选。
步骤S233:对修正后中庸狼个体标量的维进行反归一化操作,得到修正后的中庸狼群。
具体的,利用反归一化公式,对修正后中庸狼个体标量的维进行反归一化操作,修正后中庸狼个体标量的维变为修正后中庸狼个体的维,得到修正后的中庸狼群;其中,
步骤S24:对第一狼群和修正后的中庸狼群中每个个体进行适应度计算,从第一狼群中的个体和一一对应的修正后的中庸狼群的个体之间筛选出适应度最高的第二组M个个体,得到第二狼群。
可以理解的是,修正前后也将得到两个不同位置的狼群,因此,利用筛选公式,从第一狼群中的个体和一一对应的修正后的中庸狼群的个体之间筛选出适应度最高的第二组M个个体,得到第二狼群。
相应的,本发明实施例还公开了一种工程参数寻优***,参见图3所示,该***包括:
目标函数构建模块11,用于预先构建与预设工程问题对应的目标函数;其中,目标函数对应的解为d维的解,d为正整数;
目标函数计算模块12,用于在满足目标函数的约束条件的前提下,利用新型灰狼算法对目标函数求解;
其中,目标函数计算模块12包括:
狼群预设子模块,用于预设狼群;其中,狼群包括M个个体,狼群中每一个个体均构成目标函数的一个解,M为正整数;
狼群迭代子模块,用于对狼群进行S次迭代更新,得到更新后的狼群,S为正整数;
参数确定子模块,用于从更新后的狼群中筛选出全局最优个体,并将全局最优个体所对应的解确定为预设工程问题的最优工程参数;
其中,狼群迭代子模块对狼群进行任一次迭代更新的过程,包括:对狼群进行更新,得到中庸狼群,对狼群和中庸狼群中每个个体进行适应度计算,从狼群中的个体和一一对应的中庸狼群的个体之间筛选出适应度最高的第一组M个个体,得到第一狼群,当满足修正条件,则利用纵向交叉操作,修正第一狼群更新方向,得到修正后的中庸狼群,对第一狼群和修正后的中庸狼群中每个个体进行适应度计算,从第一狼群中的个体和一一对应的修正后的中庸狼群的个体之间筛选出适应度最高的第二组M个个体,得到第二狼群。
可见,本发明实施例在对狼群更迭过程中,还加入了竞争策略,即在更新后,计算更新前狼群和更新后狼群一一对应的个体之间的适应度,且适应度高的个体才会保留下来,避免了采用更新后产生的偏离个体,使狼群始终保持自身历史最优位置,有效提高算法的收敛速度,同时,还利用纵横交叉算法中的纵向交叉操作,对狼群进行方向修正,避免狼群出现严重的位置偏差,使狼群能够自主修正前进方向,能够向猎物聚集,协助部分维摆脱维局部最优困境,避免狼群陷入局部最优的可能性。
具体的,上述狼群迭代子模块,可以包括更新单元、筛选单元、归一化单元、修正单元和反归一化单元:
更新单元,用于利用更新公式,对狼群进行更新,得到中庸狼群;其中,
筛选单元,用于利用目标函数,对狼群和中庸狼群中每个个体进行适应度计算,利用筛选公式从狼群中的个体和一一对应的中庸狼群的个体之间筛选出适应度最高的第一组M个个体,得到第一狼群;其中,
归一化单元,对第一狼群中每个个体的维执行归一化操作。
修正单元,用于对第一狼群中个体的所有维进行随机两两不重复配对,并对满足修正条件的配对维进行修正,得到修正后中庸狼个体标量的维,当不满足修正条件,则不进行修正。
反归一化单元,用于对修正后中庸狼个体标量的维进行反归一化操作,得到修正后的中庸狼群。
其中,上述归一化单元,具体用于利用归一化公式,对第一狼群中每个个体的维执行归一化操作;其中,
上述修正单元,具体用于利用修正公式,对第一狼群中个体的所有维进行随机两两不重复配对,并对满足服从正态分布的随机参数rand小于预设修正概率pv的配对维进行修正,得到修正后中庸狼个体标量的维;其中,随机参数rand为0到1的随机数,
其中,每次方向修正操作只产生一维子代。
上述反归一化单元,具体用于利用反归一化公式,对修正后中庸狼个体标量的维进行反归一化操作,得到修正后的中庸狼群;其中,
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种工程参数寻优方法及***进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种工程参数寻优方法,其特征在于,包括:
预先构建与预设工程问题对应的目标函数;其中,所述目标函数对应的解为d维的解,d为正整数;所述目标函数为以最小***燃料费用为目标的水火发电***中***燃料费用与火电厂出力之间的函数关系;
在满足所述目标函数的约束条件的前提下,利用新型灰狼算法对所述目标函数求解;其中,所述约束条件包括***功率平衡约束、水量平衡约束、水电站出力约束、火电厂的出力约束;
其中,利用所述新型灰狼算法对所述目标函数求解具体过程包括:
预设狼群;其中,所述狼群包括M个个体,所述狼群中每一个个体均构成所述目标函数的一个解,M为正整数;
对所述狼群进行S次迭代更新,得到更新后的狼群,S为正整数;
从所述更新后的狼群中筛选出全局最优个体,并将所述全局最优个体所对应的解确定为所述预设工程问题的最优工程参数;
其中,对所述狼群进行任一次迭代更新的过程,包括:对所述狼群进行更新,得到中庸狼群,对所述狼群和所述中庸狼群中每个个体进行适应度计算,从所述狼群中的个体和一一对应的所述中庸狼群的个体之间筛选出适应度最高的第一组M个个体,得到第一狼群,当满足修正条件,则利用纵向交叉操作,修正所述第一狼群更新方向,得到修正后的中庸狼群,对所述第一狼群和所述修正后的中庸狼群中每个个体进行适应度计算,从所述第一狼群中的个体和一一对应的所述修正后的中庸狼群的个体之间筛选出适应度最高的第二组M个个体,得到第二狼群。
4.根据权利要求1所述的工程参数寻优方法,其特征在于,每次方向修正操作只产生一维子代。
5.根据权利要求1至4任一项所述的工程参数寻优方法,其特征在于,所述当满足修正条件,则利用纵向交叉操作,修正所述第一狼群更新方向,得到修正后的中庸狼群的过程,包括:
对所述第一狼群中每个个体的维执行归一化操作;
对所述第一狼群中个体的所有维进行随机两两不重复配对,并对满足修正条件的配对维进行修正,得到修正后中庸狼个体标量的维,当不满足所述修正条件,则不进行修正;
对所述修正后中庸狼个体标量的维进行反归一化操作,得到所述修正后的中庸狼群。
9.一种工程参数寻优***,其特征在于,包括:
目标函数构建模块,用于预先构建与预设工程问题对应的目标函数;其中,所述目标函数对应的解为d维的解,d为正整数;所述目标函数为以最小***燃料费用为目标的水火发电***中***燃料费用与火电厂出力之间的函数关系;
目标函数计算模块,用于在满足所述目标函数的约束条件的前提下,利用新型灰狼算法对所述目标函数求解;其中,所述约束条件包括***功率平衡约束、水量平衡约束、水电站出力约束、火电厂的出力约束;
其中,所述目标函数计算模块包括:
狼群预设子模块,用于预设狼群;其中,所述狼群包括M个个体,所述狼群中每一个个体均构成所述目标函数的一个解,M为正整数;
狼群迭代子模块,用于对所述狼群进行S次迭代更新,得到更新后的狼群,S为正整数;
参数确定子模块,用于从所述更新后的狼群中筛选出全局最优个体,并将所述全局最优个体所对应的解确定为所述预设工程问题的最优工程参数;
其中,所述狼群迭代子模块对所述狼群进行任一次迭代更新的过程,包括:对所述狼群进行更新,得到中庸狼群,对所述狼群和所述中庸狼群中每个个体进行适应度计算,从所述狼群中的个体和一一对应的所述中庸狼群的个体之间筛选出适应度最高的第一组M个个体,得到第一狼群,当满足修正条件,则利用纵向交叉操作,修正所述第一狼群更新方向,得到修正后的中庸狼群,对所述第一狼群和所述修正后的中庸狼群中每个个体进行适应度计算,从所述第一狼群中的个体和一一对应的所述修正后的中庸狼群的个体之间筛选出适应度最高的第二组M个个体,得到第二狼群。
10.根据权利要求9所述的工程参数寻优***,其特征在于,所述狼群迭代子模块,包括:
归一化单元,用于对所述第一狼群中每个个体的维执行归一化操作;
修正单元,用于对所述第一狼群中个体的所有维进行随机两两不重复配对,并对满足修正条件的配对维进行修正,得到修正后中庸狼个体标量的维,当不满足所述修正条件,则不进行修正;
反归一化单元,用于对所述修正后中庸狼个体标量的维进行反归一化操作,得到所述修正后的中庸狼群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710075771.0A CN106845725B (zh) | 2017-02-13 | 2017-02-13 | 一种工程参数寻优方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710075771.0A CN106845725B (zh) | 2017-02-13 | 2017-02-13 | 一种工程参数寻优方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845725A CN106845725A (zh) | 2017-06-13 |
CN106845725B true CN106845725B (zh) | 2020-11-13 |
Family
ID=59127749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710075771.0A Expired - Fee Related CN106845725B (zh) | 2017-02-13 | 2017-02-13 | 一种工程参数寻优方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845725B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107957743B (zh) * | 2017-11-13 | 2019-10-08 | 天津大学 | 一种光伏发电最大功率点追踪方法 |
CN109102112A (zh) * | 2018-07-27 | 2018-12-28 | 昆明理工大学 | 一种应用服装厂流水线生产过程的优化调度方法 |
CN109254530B (zh) * | 2018-12-06 | 2021-08-10 | 河北工业大学 | 基于磨矿过程基础回路的无模型自适应控制方法 |
CN110222429B (zh) * | 2019-06-10 | 2024-07-12 | 清华大学 | 多根线电流参数重建的优化方法 |
CN113011612B (zh) * | 2021-03-23 | 2022-09-20 | 合肥工业大学 | 基于改进灰狼算法的生产与维修调度方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000073861A1 (de) * | 1999-05-26 | 2000-12-07 | Siemens Aktiengesellschaft | Verfahren und einrichtung zum entwurf oder optimieren eines technischen systems |
CN102289713A (zh) * | 2011-08-31 | 2011-12-21 | 华东理工大学 | 一种基于进化优化算法的有约束问题优化方法 |
-
2017
- 2017-02-13 CN CN201710075771.0A patent/CN106845725B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000073861A1 (de) * | 1999-05-26 | 2000-12-07 | Siemens Aktiengesellschaft | Verfahren und einrichtung zum entwurf oder optimieren eines technischen systems |
CN102289713A (zh) * | 2011-08-31 | 2011-12-21 | 华东理工大学 | 一种基于进化优化算法的有约束问题优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106845725A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845725B (zh) | 一种工程参数寻优方法及*** | |
Xiao et al. | Artificial bee colony algorithm based on adaptive neighborhood search and Gaussian perturbation | |
US10931027B2 (en) | Method for array elements arrangement of l-shaped array antenna based on inheritance of acquired character | |
Javidi et al. | Enhanced crow search algorithm for optimum design of structures | |
CN108846472A (zh) | 一种自适应遗传粒子群混合算法的优化方法 | |
CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN105809279A (zh) | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 | |
CN106650784A (zh) | 一种基于特征聚类比较的光伏电站功率预测方法及装置 | |
CN110222883A (zh) | 基于风驱动优化bp神经网络的电力***负荷预测方法 | |
CN111553469A (zh) | 一种无线传感器网络数据融合方法、装置和存储介质 | |
CN110147590B (zh) | 一种基于自适应演化优化算法的螺旋式天线设计方法 | |
CN104200096A (zh) | 基于微分进化算法和bp神经网络的避雷器均压环优化法 | |
CN110515851A (zh) | 一种并行化的两两组合测试用例生成方法 | |
CN110442143A (zh) | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 | |
CN115342812A (zh) | 一种基于改进蝴蝶优化算法的无人机三维航迹规划方法 | |
CN110222816B (zh) | 深度学习模型的建立方法、图像处理方法及装置 | |
CN108734349A (zh) | 基于改进遗传算法的分布式电源选址定容优化方法及*** | |
CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
CN105511270B (zh) | 一种基于协同进化的pid控制器参数优化方法和*** | |
CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及*** | |
CN110113815B (zh) | 一种改进的基于iwo的无线传感器网络定位方法 | |
CN115169754B (zh) | 能源调度方法、装置、电子设备及存储介质 | |
CN116432968A (zh) | 一种电力***的储能规划方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201113 Termination date: 20220213 |
|
CF01 | Termination of patent right due to non-payment of annual fee |