CN113609761B - 一种模型参数的计算方法、装置、设备和存储介质 - Google Patents
一种模型参数的计算方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113609761B CN113609761B CN202110822225.5A CN202110822225A CN113609761B CN 113609761 B CN113609761 B CN 113609761B CN 202110822225 A CN202110822225 A CN 202110822225A CN 113609761 B CN113609761 B CN 113609761B
- Authority
- CN
- China
- Prior art keywords
- particle
- model
- strategy
- population
- iteration number
- 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.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000011161 development Methods 0.000 claims abstract description 31
- 238000013461 design Methods 0.000 claims abstract description 27
- 230000000739 chaotic effect Effects 0.000 claims abstract description 26
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000002028 premature Effects 0.000 claims abstract description 14
- 239000002245 particle Substances 0.000 claims description 177
- 230000006870 function Effects 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005452 bending Methods 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 230000007423 decrease Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 3
- 241000272478 Aquila Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种模型参数的计算方法、装置、设备和存储介质,涉及模型参数求解技术领域。其中,这种计算方法至少包含步骤S1和S2。S1、获取待求解的目标对象的计算模型。S2、通过改进的阿奎拉鹰模型对计算模型进行求解,以获得目标对象的设计参数。其中,改进的阿奎拉鹰优化模型通过logistic混沌映射计算初始种群,且在开发阶段采用精英狩猎策略进行局部开发,以避免过早收敛。通过在种群初始化阶段引入Logistic map混沌映射,提高初始化种群分布的多样性,在局部开发阶段引入精英狩猎策略,建立小范围的种群库,利用精英个体与普通个体为导向进行局部开发,避免算法早熟收敛,能够取得更好的计算效果。
Description
技术领域
本发明涉及模型参数求解技术领域,具体而言,涉及一种模型参数的计算方法、装置、设备和存储介质。
背景技术
阿奎拉鹰模型,通过模拟阿奎拉鹰的狩猎方式,设计有探索阶段和开发阶段。在探索阶段模拟阿奎拉鹰的高空飞行搜索并垂直俯身攻击和环绕猎物飞行并短距离滑翔攻击。在开发阶段模拟阿奎拉鹰的低空飞行并缓降攻击和地面近距离攻击。
阿奎拉鹰模型,能够用于求解各种计算模型的解。但是,其容易陷入局部最优,导致求解精度降低。在求解计算模型时,可能无法得到最优解。
压力容器是指盛装气体或者液体,承载一定压力的密闭设备。在各个行业的发展过程中,必须依靠各种设备,其中压力容器在我国许多地区是应用非常广泛且非常重要的设备。
压力容器的设计是一个典型的非线性混合整数规划问题。压力容器设计问题共有4个参数需要优化,分别是容器中间部分的长度、厚度、内部半径与半球形厚度。在先技术中的,压力容器的参数的计算方法普遍存在大量的局部最优点,容易陷入局部最优,导致收敛精度低、收敛速度慢等问题。有鉴于此,申请人在研究了现有的技术后特提出本申请。
发明内容
本发明提供了一种模型参数的计算方法、装置、设备和存储介质,以改善相关技术中的设计方法收敛精度低、收敛速度慢的问题。
第一方面、
本发明实施例提供了一种模型参数的计算方法,其至少包含步骤S1和S2。
S1、获取待求解的目标对象的计算模型。
S2、通过改进的阿奎拉鹰模型对所述计算模型进行求解,以获得所述目标对象的设计参数。其中,所述改进的阿奎拉鹰优化模型通过logistic混沌映射计算初始种群,且在开发阶段采用精英狩猎策略进行局部开发,以避免过早收敛。
在一个可选地实施例中,步骤S2至少包括步骤S21至步骤S26。
S21、根据所述计算模型,随机生成初始粒子种群,并初始化迭代次数和最大迭代次数。
S22、根据所述初始粒子种群,通过logistic混沌映射模型,计算得到多样化粒子种群。
S23、计算所述多样化粒子种群中每个粒子的适应度,并判断迭代次数是否不大于预设迭代次数。
S24、当迭代次数不大于预设迭代次数时,采用大范围搜索攻击策略更新粒子种群的位置,并将迭代次数加一,和判断是否达到最大迭代次数。
S25、当迭代次数大于预设迭代次数时,采用局部攻击策略更新粒子种群的位置,以及通过精英狩猎策略计算得到精英位置,然后通过贪婪策略获取最佳位置,并将迭代次数加一,和判断是否达到最大迭代次数。
S26、当判断到未达到最大迭代次数时,计算更新后粒子种群中每个粒子的适应度,并判断迭代次数是否不大于预设迭代次数。否则,输出最大迭代次数时的最佳位置及其对应的适应度,以获得所述设计参数。
在一个可选地实施例中,步骤S21至少包括步骤S211和步骤S212。
S211、根据所述计算模型,获取搜索空间的上界和下界。
S212、根据随机函数,在搜索空间内生成所述初始粒子种群。具体地,初始种群生成模型为:
X=rand×(UB-LB)+LB
其中,X为粒子位置,rand为均匀分布在0到1之间的随机数,UB为搜索空间的上边界,LB为搜索空间的下边界。
在一个可选地实施例中,logistc混沌映射模型为:
X(t+1)=a×X(t)×(1-X(t))
其中,X(t+1)为更新后的粒子位置,a=4,X(t)为当前的粒子位置。
在一个可选地实施例中,粒子的适应度的适应度计算模型为:
其中,F(x)是惩罚函数值,f(x)是原函数值,M是惩罚因子,gi(x)为约束条件,n为粒子数量。
在一个可选地实施例中,步骤S24至少包括步骤S241至步骤S243。
S241、获取第一随机数,并判断随机数是否小于第一预设值。
S242、当判断到所述第一随机数小于第一预设值时,采用高空飞行搜索并垂直俯身攻击的策略更新粒子种群的位置。具体地,高空飞行搜索并垂直俯身攻击的位置更新模型为:
其中,X1(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,XM(t)是当前所有粒子的平均位置,t为当前迭代次数,T为最大迭代次数,N为种群数量,r1为0到1之间的随机数,Xi(t)为当前第i个粒子位置。
S243、当判断到所述第一随机数不小于第一预设值时,采用环绕猎物飞行并短距离滑翔攻击的策略更新粒子种群的位置。具体地,环绕猎物飞行并短距离滑翔攻击的位置更新模型为:
X2(t+1)=Xbest(t)×LF(D)+XR(t)+(y-x)×r2
其中,X2(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,LF(D)代表莱维飞行函数,D代表种群维度,XR(t)代表任意粒子的位置,r2为均匀分布在0到1之间的随机数,s=0.01,u与v为0到1之间的随机数,β=1.5。
在一个可选地实施例中,步骤S25至少包括步骤S251至步骤S253。
S251、获取第二随机数,并判断随机数是否小于第二预设值。
S252、当判断到所述第二随机数小于所述第二预设值时,采用低空飞行并缓降攻击的策略更新粒子位置。具体地,低空飞行并缓降攻击的位置更新模型为:
X3(t+1)=(Xbest(t)-XM(t))×α-r4+((UB-LB)×r5+LB)×δ
其中,X3(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,XM(t)是当前所有粒子的平均位置,α与δ为适应参数,其值为0.1,UB是上边界,LB为下边界,r4和r5为0到1之间的随机数。Xi(t)为当前第i个粒子位置,N粒子的数量。
S253、当判断到所述第二随机数不小于所述第二预设值时,采用地面近距离攻击猎物的策略更新粒子位置。具体地,地面近距离攻击猎物的位置更新模型为:
其中,X4(t+1)表示粒子的下一个更新位置,QF(t)是质量函数,用于平衡其搜索策略,Xbest(t)代表目前已取得的最佳位置,G1表示阿奎拉鹰追踪猎物的移动参数,为[-1,1]之间的随机数,X(t)为当前的粒子位置,r6、r7和r8为0到1之间的随机数,G2在空中追逐猎物的飞行斜率,从2到0线性递减,LF(D)代表莱维飞行函数,t是当前迭代次数,T为最大迭代次数。
在一个可选地实施例中,通过精英狩猎策略计算得到精英位置的精英位置计算模型为:
XE(t+1)=XE-best+cd×(X(t)-XE-normal(t))+σ×(Xrand1-Xrand2)
cd=z0+0.1×tan(π×(r-0.5))
其中,XE(t+1)是基于精英狩猎策略产生的新位置,XE-best为从5个精英个体中随机选出的个体,cd为符合柯西分布的随机数,X(t)为当前的粒子位置,XE-normal(t)为从仓库中随机选出的15个位置,Xrand1与Xrand2为从剩下的15个个体中随机选出的,Exponent=2,σinitial=1σfinal=0,z0=2,t为当前迭代次数,T为最大迭代次数,r为分布在[0,1]之间的随机数。
在一个可选地实施例中,所述预设迭代次数为最大迭代次数的三分之二。
在一个可选地实施例中,所述目标对象为压力容器。
第二方面、
本发明实施例提供了一种模型参数的计算装置,其包含:
模型获取模块,用于获取待求解的目标对象的计算模型。
模型求解模块,用于通过改进的阿奎拉鹰模型对所述计算模型进行求解,以获得所述目标对象的设计参数。其中,所述改进的阿奎拉鹰优化模型通过logistic混沌映射计算初始种群,且在开发阶段采用精英狩猎策略进行局部开发,以避免过早收敛。
在一个可选地实施例中,所述模型求解模块,具体包括:
初始化单元,用于根据所述计算模型,随机生成初始粒子种群,并初始化迭代次数和最大迭代次数。
混沌映射单元,用于根据所述初始粒子种群,通过logistic混沌映射模型,计算得到多样化粒子种群。
适应度单元,用于计算所述多样化粒子种群中每个粒子的适应度,并判断迭代次数是否不大于预设迭代次数。
大范围单元,用于当迭代次数不大于预设迭代次数时,采用大范围搜索攻击策略更新粒子种群的位置,并将迭代次数加一,和判断是否达到最大迭代次数。
局部单元,用于当迭代次数大于预设迭代次数时,采用局部攻击策略更新粒子种群的位置,以及通过精英狩猎策略计算得到精英位置,然后通过贪婪策略获取最佳位置,并将迭代次数加一,和判断是否达到最大迭代次数。
输出单元,用于当判断到未达到最大迭代次数时,计算更新后粒子种群中每个粒子的适应度,并判断迭代次数是否不大于预设迭代次数。否则,输出最大迭代次数时的最佳位置及其对应的适应度,以获得所述设计参数。
第三方面、
本发明实施例提供了一种模型参数的计算设备,其包括处理器、存储器,以及存储在所述存储器内的计算机程序。所述计算机程序能够被所述处理器执行,以实现如第一方面所说的模型参数的计算方法。
第四方面、
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面所说的模型参数的计算方法。
通过采用上述技术方案,本发明可以取得以下技术效果:
本发明实施例通过在种群初始化阶段引入Logistic map混沌映射,提高初始化种群分布的多样性,在局部开发阶段引入精英狩猎策略,建立小范围的种群库,利用精英个体与普通个体为导向进行局部开发,避免算法早熟收敛,能够取得更好的计算效果。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1是本发明第一实施例提供的一种模型参数的计算方法的流程示意图。
图2是通过改进的阿奎拉鹰模型对计算模型进行求解的逻辑框图。
图3是Logistic混沌的点集图形。
图4是压力容器结构模型。
图5是本发明第二实施例提供的一种模型参数的计算装置的结构示意图。
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。
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,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它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
实施例中提及的“第一\第二”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换,以使这里描述的实施例能够以除了在这里图示或描述的那些内容以外的顺序实施。
下面结合附图与具体实施方式对本发明作进一步详细描述:
实施例一:
请参阅图1至图4,本发明第一实施例提供的一种模型参数的计算方法,其可由模型参数的计算设备来执行。特别地,由计算设备中的一个或多个处理器来执行,以至少实现步骤S1和S2。
S1、获取待求解的目标对象的计算模型。在本实施例中,目标对象为压力容器。需要说明的是,压力容器的设计是一个典型的非线性混合整数规划问题。压力容器设计问题普遍存在大量的局部最优点。因此,在设计的时候,往往无法获取到最优解。
如图4所示,压力容器设计问题共有4个参数需要优化,分别是容器中间部分的长度L、厚度Ts、内部半径R与半球形厚度Th。具体地,压力容器的计算模型为:
其中,Ts为x1、Th为x2、R为x3、L为x4。
可以理解的是,所述计算设备,可以是本地的计算机、膝上型便携式计算机,本地的服务器,或者云端的服务器,本发明对此不做具体限定。在其它实施例中,目标对象还可以是其它研究对象,本发明对此亦不做具体限定。
S2、通过改进的阿奎拉鹰模型对计算模型进行求解,以获得目标对象的设计参数。其中,改进的阿奎拉鹰优化模型通过logistic混沌映射计算初始种群,且在开发阶段采用精英狩猎策略进行局部开发,以避免过早收敛。
阿奎拉鹰优化模型(Aquila Optimizer,AO)由于算法新颖、优化性能较高而得到了大量关注,目前已被用于分类问题、神经网络训练、特征选择等问题,并取得了不错的效果。尽管AO在解决某些问题上具有一定的优势,但算法后期寻优时仅根据当前最优位置作为导向,容易陷入局部最优,导致算法存在收敛精度低、收敛速度慢等问题。
为解决上述问题,本实施例提供了一种改进的阿奎拉鹰优化模型(ImprovedAquila Optimizer,IAO),改进的阿奎拉鹰优化模型在种群初始化阶段引入Logistic map混沌映射,提高初始化种群分布的多样性,在局部开发阶段引入精英狩猎策略,建立小范围的种群库,利用精英个体与普通个体为导向进行局部开发,避免算法早熟收敛。改进的阿奎拉鹰优化模型明显好于原始阿奎拉鹰优化模型,尤其是在压力容器设计问题上达到了较优水平。
具体地,如图2所示,在上述实施例的基础上,本发明一可选实施例中,步骤S2至少包括步骤S21至步骤S26。
S21、根据计算模型,随机生成初始粒子种群,并初始化迭代次数和最大迭代次数。具体地,步骤S21至少包括步骤S211和步骤S212。
S211、根据计算模型,获取搜索空间的上界和下界。
S212、根据随机函数,在搜索空间内生成初始粒子种群。具体地,初始种群生成模型为:
X=rand×(UB-LB)+LB
其中,X为粒子位置,rand为均匀分布在0到1之间的随机数,UB为搜索空间的上边界,LB为搜索空间的下边界。
S22、根据初始粒子种群,通过logistic混沌映射模型,计算得到多样化粒子种群。具体地,logistic混沌映射模型为:
X(t+1)=a×X(t)×(1-X(t))………………(式1)
其中,X(t+1)为更新后的粒子位置,a=4,X(t)为当前的粒子位置。
需要说明的是,如图3所示,Logistic混沌是非线性***的一个特征,在数学上被定义为由简单确定性函数生成的随机数。在本实施例中,将混沌思想融入到改进的阿奎拉鹰优化模型,其核心是利用混沌变量的随机性、遍历性和不规律性,替换服从标准概率分布的随机变量进行优化搜索,从而搜寻整个解空间,产生分布均匀的个体,提高初始化种群分布的多样性和初始种群质量。
S23、计算多样化粒子种群中每个粒子的适应度,并判断迭代次数是否不大于预设迭代次数。在本实施例中,预设迭代次数为最大迭代次数的三分之二。在其它实施例中,预设迭代次数也可以是其它比例,或者其它预定次数,本发明对此不做具体限定。具体地,粒子的适应度的适应度计算模型为:
其中,F(x)是惩罚函数值,f(x)是原函数值,M是惩罚因子,gi(x)为约束条件,n为粒子数量。
压力容器设计问题是一个约束优化问题,我们要将其转化为无约束优化问题,通过惩罚函数法实现。对于种群中没有违反约束条件的个体x,由于此时所有约束条件都满足,即g1≤0,g2≤0,g3≤0,g4≤0,则0与g1(x)二者中最大者使0,从而可得max(0,g1(x))=0,其中的max是求最大值函数。同理可得,max(0,g2(x))=0,…,max(0,gn(x))=0.从而满足适应度计算模型。
对于没有违反约束条件的个体x,加入惩罚项以后的惩罚函数值F(x)与原来的函数值f(x)相等,则惩罚项不起任何作用;对于违反约束条件的个体x,由于违反了约束条件,其惩罚项>0,会导致该个体的惩罚函数值F(x)大于原来函数值f(x),使得该个体在进化中由于惩罚函数值较差而被逐步淘汰。
所述的惩罚函数法是在不合格的解中加上一个惩罚项使得某些只有某一维上违反约束的不合格解不会被放弃能够继续迭代,从而避免了种群中合格的解越来越少的问题,同时得到质量较差的解进而使得未违反约束的解成为好解,逐渐淘汰这些质量较差的解。
S24、当迭代次数不大于预设迭代次数时,采用大范围搜索攻击策略更新粒子种群的位置,并将迭代次数加一,和判断是否达到最大迭代次数。需要说明的是,阿奎拉鹰模型具有探索阶段和开发阶段,当迭代次数不大于预设迭代次数时处于探索阶段,当迭代次数大于预设次数时处于开发阶段。
探索阶段阿奎拉鹰在随机范围内通过两种不同的狩猎方式实现搜索空间内的大范围搜索猎物并攻击,两种狩猎方式的介绍如下:
1、高空飞行搜索并垂直俯身攻击:
阿奎拉鹰在高空飞行,通过眼睛观察位于其下方飞行的猎物,确定猎物范围后进行垂直俯身攻击,其计算公式如下:
其中,X1(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,XM(t)是当前所有粒子的平均位置,t为当前迭代次数,T为最大迭代次数,N为种群数量,r1为0到1之间的随机数,Xi(t)为当前第i个粒子位置。
2、环绕猎物飞行并短距离滑翔攻击:
阿奎拉鹰通常采用此狩猎方式,逐渐下降高度并环绕猎物,采用短距离滑翔攻击猎物,其位置更新公式如下:
X2(t+1)=Xbest(t)×LF(D)+XR(t)+(y-x)×r2
其中,X2(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,LF(D)代表莱维飞行函数,D代表种群维度,XR(t)代表任意粒子的位置,r2为均匀分布在0到1之间的随机数,s=0.01,u与v为0到1之间的随机数,β=1.5。
具体地,在步骤S24中“采用大范围搜索攻击策略更新粒子种群的位置”至少包括步骤S241至步骤S243。
S241、获取第一随机数,并判断随机数是否小于第一预设值。
S242、当判断到第一随机数小于第一预设值时,采用高空飞行搜索并垂直俯身攻击的策略更新粒子种群的位置。具体地,高空飞行搜索并垂直俯身攻击的位置更新模型为:
其中,X1(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,XM(t)是当前所有粒子的平均位置,t为当前迭代次数,T为最大迭代次数,N为种群数量,r1为0到1之间的随机数,Xi(t)为当前第i个粒子位置。
S243、当判断到第一随机数不小于第一预设值时,采用环绕猎物飞行并短距离滑翔攻击的策略更新粒子种群的位置。具体地,环绕猎物飞行并短距离滑翔攻击的位置更新模型为:
X2(t+1)=Xbest(t)×LF(D)+XR(t)+(y-x)×r2……………(式4)
其中,X2(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,LF(D)代表莱维飞行函数,D代表种群维度,XR(t)代表任意粒子的位置,r2为均匀分布在0到1之间的随机数,s=0.01,u与v为0到1之间的随机数,β=1.5。
S25、当迭代次数大于预设迭代次数时,采用局部攻击策略更新粒子种群的位置,以及通过精英狩猎策略计算得到精英位置,然后通过贪婪策略获取最佳位置,并将迭代次数加一,和判断是否达到最大迭代次数。需要说明的是,当迭代次数大于预设迭代次数时,阿奎拉鹰模型进入开发阶段在开发阶段,阿奎拉鹰执行局部攻击策略。通过两种不同的狩猎方式实现搜索空间内的局部搜索猎物并攻击,两种狩猎方式的介绍如下:
3、低空飞行并缓降攻击
阿奎拉鹰在探索阶段已确定猎物位置,因此,阿奎拉鹰采用低空飞行并缓降攻击猎物,利用此方法捕食逃跑能力较低的猎物,其位置更新公式如下:
X3(t+1)=(Xbest(t)-XM(t))×α-r4+((UB-LB)×r5+LB)×δ
其中,X3(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,XM(t)是当前所有粒子的平均位置,α与δ为适应参数,其值为0.1,UB是上边界,LB为下边界,r4和r5为0到1之间的随机数。Xi(t)为当前第i个粒子位置,N粒子的数量。
4、地面近距离攻击猎物
阿奎拉鹰在低空种根据猎物逃跑轨迹追逐猎物,并在地面上对猎物发动攻击,其位置更新公式如下:
其中,X4(t+1)表示粒子的下一个更新位置,QF(t)是质量函数,用于平衡其搜索策略,Xbest(t)代表目前已取得的最佳位置,G1表示阿奎拉鹰追踪猎物的移动参数,为[-1,1]之间的随机数,X(t)为当前的粒子位置,r6、r7和r8为0到1之间的随机数,G2在空中追逐猎物的飞行斜率,从2到0线性递减,LF(D)代表莱维飞行函数,t是当前迭代次数,T为最大迭代次数。
具体地,在步骤S25中“采用局部攻击策略更新粒子种群的位置”至少包括步骤S251至步骤S253。
S251、获取第二随机数,并判断随机数是否小于第二预设值。
S252、当判断到第二随机数小于第二预设值时,采用低空飞行并缓降攻击的策略更新粒子位置。具体地,低空飞行并缓降攻击的位置更新模型为:
X3(t+1)=(Xbest(t)-XM(t))×α-r4+((UB-LB)×r5+LB)×δ………(式5)
其中,X3(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,XM(t)是当前所有粒子的平均位置,α与δ为适应参数,其值为0.1,UB是上边界,LB为下边界,r4和r5为0到1之间的随机数。Xi(t)为当前第i个粒子位置,N粒子的数量。
S253、当判断到第二随机数不小于第二预设值时,采用地面近距离攻击猎物的策略更新粒子位置。具体地,地面近距离攻击猎物的位置更新模型为:
其中,X4(t+1)表示粒子的下一个更新位置,QF(t)是质量函数,用于平衡其搜索策略,Xbest(t)代表目前已取得的最佳位置,G1表示阿奎拉鹰追踪猎物的移动参数,为[-1,1]之间的随机数,X(t)为当前的粒子位置,r6、r7和r8为0到1之间的随机数,G2在空中追逐猎物的飞行斜率,从2到0线性递减,LF(D)代表莱维飞行函数,t是当前迭代次数,T为最大迭代次数。
为了防止改进的阿奎拉鹰模型,在开发阶段陷入局部最优解,而导致过早收敛。在本实施例中,通过精英狩猎策略,利用精英个体与普通个体进行局部开发,避免阿奎拉鹰模型早熟收敛。具体地,通过精英狩猎策略计算得到精英位置的精英位置计算模型为:
XE(t+1)=XE-best+cd×(X(t)-XE-normal(t))+σ×(Xrand1-Xrand2)
/>
cd=z0+0.1×tan(π×(r-0.5))
其中,XE(t+1)是基于精英狩猎策略产生的新位置,XE-best为从5个精英个体中随机选出的个体,cd为符合柯西分布的随机数,X(t)为当前的粒子位置,XE-normal(t)为从仓库中随机选出的15个位置,Xrand1与Xrand2为从剩下的15个个体中随机选出的,Exponent=2,σinitial=1σfinal=0,z0=2,t为当前迭代次数,T为最大迭代次数,r为分布在[0,1]之间的随机数。
需要说明的是,精英狩猎策略通过建立一个种群库,选派个体精英外出探索,并使个体之间充分交互信息,避免算法陷入局部最优,使算法不易早熟收敛。
精英狩猎策略原理:首先,建立一个仓库,在每次迭代中,根据取出15个种群放入仓库中,并根据适应度值排序,确定精英个体(5个),其余的为普通个体(10个),此时,若总的种群数量为30个,则仓库外的个体共有15个。按照精英位置计算模型进行计算。
具体地,通过贪婪策略获取最佳位置为本领域技术人员的常规技术手段,本发明在此不再赘述。
S26、当判断到未达到最大迭代次数时,计算更新后粒子种群中每个粒子的适应度,并判断迭代次数是否不大于预设迭代次数。否则,输出最大迭代次数时的最佳位置及其对应的适应度,以获得设计参数。
本实施例提供的模型参数的计算方法,采用了改进的阿奎拉鹰模型,通过在种群初始化阶段引入Logistic混沌映射,提高种群分布多样性。在局部开发阶段引入精英狩猎策略,建立种群库以充分发挥精英个体与普通个体的潜在能力,通过贪婪算法选择最佳位置进入下一次迭代,避免算法易于早熟收敛。最后,通过惩罚函数将约束设计问题转换为无约束优化问题从而能够使用IAO算法求得最优解。能够获得更为准确的模型参数的设计参数。
第二方面、
本发明实施例提供了一种模型参数的计算装置,其包含:
模型获取模块1,用于获取待求解的目标对象的计算模型。优选地,目标对象为压力容器。
模型求解模块2,用于通过改进的阿奎拉鹰模型对计算模型进行求解,以获得目标对象的设计参数。其中,改进的阿奎拉鹰优化模型通过logistic混沌映射计算初始种群,且在开发阶段采用精英狩猎策略进行局部开发,以避免过早收敛。
本实施例提供的模型参数的计算装置,采用了改进的阿奎拉鹰模型,通过在种群初始化阶段引入Logistic混沌映射,提高种群分布多样性。在局部开发阶段引入精英狩猎策略,建立种群库以充分发挥精英个体与普通个体的潜在能力,通过贪婪算法选择最佳位置进入下一次迭代,避免算法易于早熟收敛。最后,通过惩罚函数将约束设计问题转换为无约束优化问题从而能够使用IAO算法求得最优解。能够获得更为准确的模型参数的设计参数。
在一个可选地实施例中,模型求解模块2,具体包括:
初始化单元,用于根据计算模型,随机生成初始粒子种群,并初始化迭代次数和最大迭代次数。
混沌映射单元,用于根据初始粒子种群,通过logistic混沌映射模型,计算得到多样化粒子种群。
适应度单元,用于计算多样化粒子种群中每个粒子的适应度,并判断迭代次数是否不大于预设迭代次数。优选地,预设迭代次数为最大迭代次数的三分之二。
大范围单元,用于当迭代次数不大于预设迭代次数时,采用大范围搜索攻击策略更新粒子种群的位置,并将迭代次数加一,和判断是否达到最大迭代次数。
局部单元,用于当迭代次数大于预设迭代次数时,采用局部攻击策略更新粒子种群的位置,以及通过精英狩猎策略计算得到精英位置,然后通过贪婪策略获取最佳位置,并将迭代次数加一,和判断是否达到最大迭代次数。
输出单元,用于当判断到未达到最大迭代次数时,计算更新后粒子种群中每个粒子的适应度,并判断迭代次数是否不大于预设迭代次数。否则,输出最大迭代次数时的最佳位置及其对应的适应度,以获得设计参数。
在一个可选地实施例中,初始化单元,具体用于:
根据所述计算模型,获取搜索空间的上界和下界。
根据随机函数,在搜索空间内生成所述初始粒子种群。具体地,初始种群生成模型为X=rand×(UB-LB)+LB,其中,X为粒子位置,rand为均匀分布在0到1之间的随机数,UB为搜索空间的上边界,LB为搜索空间的下边界。
在一个可选地实施例中,logistic混沌映射模型为:
X(t+1)=a×X(t)×(1-X(t))
其中,X(t+1)为更新后的粒子位置,a=4,X(t)为当前的粒子位置。
在一个可选地实施例中,粒子的适应度的适应度计算模型为:
其中,F(x)是惩罚函数值,f(x)是原函数值,M是惩罚因子,gi(x)为约束条件,n为粒子数量。
在一个可选地实施例中,采用大范围搜索攻击策略更新粒子种群的位置时,大范围单元具体用于:
获取第一随机数,并判断随机数是否小于第一预设值。
当判断到所述第一随机数小于第一预设值时,采用高空飞行搜索并垂直俯身攻击的策略更新粒子种群的位置。具体地,高空飞行搜索并垂直俯身攻击的位置更新模型为:
其中,X1(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,XM(t)是当前所有粒子的平均位置,t为当前迭代次数,T为最大迭代次数,N为种群数量,r1为0到1之间的随机数,Xi(t)为当前第i个粒子位置。
当判断到所述第一随机数不小于第一预设值时,采用环绕猎物飞行并短距离滑翔攻击的策略更新粒子种群的位置。具体地,环绕猎物飞行并短距离滑翔攻击的位置更新模型为:
X2(t+1)=Xbest(t)×LF(D)+XR(t)+(y-x)×r2
其中,X2(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,LF(D)代表莱维飞行函数,D代表种群维度,XR(t)代表任意粒子的位置,r2为均匀分布在0到1之间的随机数,s=0.01,u与v为0到1之间的随机数,β=1.5。
在一个可选地实施例中,采用局部攻击策略更新粒子种群的位置时,局部单元具体用于:
获取第二随机数,并判断随机数是否小于第二预设值。
当判断到所述第二随机数小于所述第二预设值时,采用低空飞行并缓降攻击的策略更新粒子位置。具体地,低空飞行并缓降攻击的位置更新模型为:
X3(t+1)=(Xbest(t)-XM(t))×α-r4+((UB-LB)×r5+LB)×δ
其中,X3(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,XM(t)是当前所有粒子的平均位置,α与δ为适应参数,其值为0.1,UB是上边界,LB为下边界,r4和r5为0到1之间的随机数。Xi(t)为当前第i个粒子位置,N粒子的数量。
当判断到所述第二随机数不小于所述第二预设值时,采用地面近距离攻击猎物的策略更新粒子位置。具体地,地面近距离攻击猎物的位置更新模型为:
其中,X4(t+1)表示粒子的下一个更新位置,QF(t)是质量函数,用于平衡其搜索策略,Xbest(t)代表目前已取得的最佳位置,G1表示阿奎拉鹰追踪猎物的移动参数,为[-1,1]之间的随机数,X(t)为当前的粒子位置,r6、r7和r8为0到1之间的随机数,G2在空中追逐猎物的飞行斜率,从2到0线性递减,LF(D)代表莱维飞行函数,t是当前迭代次数,T为最大迭代次数。
在一个可选地实施例中,通过精英狩猎策略计算得到精英位置的精英位置计算模型为:
XE(t+1)=XE-best+cd×(X(t)-XE-normal(t))+σ×(Xrand1-Xrand2)
cd=z0+0.1×tan(π×(r-0.5))
其中,XE(t+1)是基于精英狩猎策略产生的新位置,XE-best为从5个精英个体中随机选出的个体,cd为符合柯西分布的随机数,X(t)为当前的粒子位置,XE-normal(t)为从仓库中随机选出的15个位置,Xrand1与Xrand2为从剩下的15个个体中随机选出的,Exponent=2,σinitial=1σfinal=0,z0=2,t为当前迭代次数,T为最大迭代次数,r为分布在[0,1]之间的随机数。
第三方面、
本发明实施例提供了一种模型参数的计算设备,其包括处理器、存储器,以及存储在存储器内的计算机程序。计算机程序能够被处理器执行,以实现如第一方面所说的模型参数的计算方法。
第四方面、
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质包括存储的计算机程序,其中,在计算机程序运行时控制计算机可读存储介质所在设备执行如第一方面所说的模型参数的计算方法。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,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。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种模型参数的计算方法,其特征在于,包含:
获取待求解的目标对象的计算模型;
通过改进的阿奎拉鹰模型对所述计算模型进行求解,以获得所述目标对象的设计参数;其中,所述改进的阿奎拉鹰优化模型通过logistic混沌映射计算初始种群,且在开发阶段采用精英狩猎策略进行局部开发,以避免过早收敛;
通过改进的阿奎拉鹰模型对所述计算模型进行求解,以获得所述目标对象的设计参数,具体包括:
根据所述计算模型,随机生成初始粒子种群,并初始化迭代次数和最大迭代次数;
根据所述初始粒子种群,通过logistic混沌映射模型,计算得到多样化粒子种群;
计算所述多样化粒子种群中每个粒子的适应度,并判断迭代次数是否不大于预设迭代次数;
当迭代次数不大于预设迭代次数时,采用大范围搜索攻击策略更新粒子种群的位置,并将迭代次数加一,和判断是否达到最大迭代次数;
当迭代次数大于预设迭代次数时,采用局部攻击策略更新粒子种群的位置,以及通过精英狩猎策略计算得到精英位置,然后通过贪婪策略获取最佳位置,并将迭代次数加一,和判断是否达到最大迭代次数;
当判断到未达到最大迭代次数时,计算更新后粒子种群中每个粒子的适应度,并判断迭代次数是否不大于预设迭代次数;否则,输出最大迭代次数时的最佳位置及其对应的适应度,以获得所述设计参数;
采用大范围搜索攻击策略更新粒子种群的位置,具体包括:
获取第一随机数,并判断随机数是否小于第一预设值;
当判断到所述第一随机数小于第一预设值时,采用高空飞行搜索并垂直俯身攻击的策略更新粒子种群的位置;其中,高空飞行搜索并垂直俯身攻击的位置更新模型为:
其中,X1(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,XM(t)是当前所有粒子的平均位置,t为当前迭代次数,T为最大迭代次数,N为种群数量,r1为0到1之间的随机数,Xi(t)为当前第i个粒子位置;
当判断到所述第一随机数不小于第一预设值时,采用环绕猎物飞行并短距离滑翔攻击的策略更新粒子种群的位置;其中,环绕猎物飞行并短距离滑翔攻击的位置更新模型为:
X2(t+1)=Xbest(t)×LF(D)+XR(t)+(y-x)×r2
其中,X2(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,LF(D)代表莱维飞行函数,D代表种群维度,XR(t)代表任意粒子的位置,r2为均匀分布在0到1之间的随机数,s=0.01,u与v为0到1之间的随机数,β=1.5;
采用局部攻击策略更新粒子种群的位置,具体包括:
获取第二随机数,并判断随机数是否小于第二预设值;
当判断到所述第二随机数小于所述第二预设值时,采用低空飞行并缓降攻击的策略更新粒子位置;其中,低空飞行并缓降攻击的位置更新模型为:
X3(t+1)=(Xbest(t)-XM(t))×α-r4+((UB-LB)×r5+LB)×δ
其中,X3(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,XM(t)是当前所有粒子的平均位置,α与δ为适应参数,其值为0.1,UB是上边界,LB为下边界,r4和r5为0到1之间的随机数;Xi(t)为当前第i个粒子位置,N粒子的数量;
当判断到所述第二随机数不小于所述第二预设值时,采用地面近距离攻击猎物的策略更新粒子位置;其中,地面近距离攻击猎物的位置更新模型为:
其中,X4(t+1)表示粒子的下一个更新位置,QF(t)是质量函数,用于平衡其搜索策略,Xbest(t)代表目前已取得的最佳位置,G1表示阿奎拉鹰追踪猎物的移动参数,为[-1,1]之间的随机数,X(t)为当前的粒子位置,r6、r7和r8为0到1之间的随机数,G2在空中追逐猎物的飞行斜率,从2到0线性递减,LF(D)代表莱维飞行函数,t是当前迭代次数,T为最大迭代次数;
通过精英狩猎策略计算得到精英位置的精英位置计算模型为:
XE(t+1)=XE-best+cd×(X(t)-XE-normal(t))+σ×(Xrand1-Xrand2)
cd=z0+0.1×tan(π×(r-0.5))
其中,XE(t+1)是基于精英狩猎策略产生的新位置,XE-best为从5个精英个体中随机选出的个体,cd为符合柯西分布的随机数,X(t)为当前的粒子位置,XE-normal(t)为从仓库中随机选出的15个位置,Xrand1与Xrand2为从剩下的15个个体中随机选出的,Exponent=2,σinitial=1σfinal=0,z0=2,t为当前迭代次数,T为最大迭代次数,r为分布在[0,1]之间的随机数;
所述预设迭代次数为最大迭代次数的三分之二;
所述目标对象为压力容器。
2.根据权利要求1所述的模型参数的计算方法,其特征在于,根据所述计算模型,随机生成初始粒子种群,具体包括:
根据所述计算模型,获取搜索空间的上界和下界;
根据随机函数,在搜索空间内生成所述初始粒子种群;其中,初始种群生成模型为:X=rand×(UB-LB)+LB,X为粒子位置,rand为均匀分布在0到1之间的随机数,UB为搜索空间的上边界,LB为搜索空间的下边界;
logistic混沌映射模型为:X(t+1)=a×X(t)×(1-X(t)),其中,X(t+1)为更新后的粒子位置,a=4,X(t)为当前的粒子位置;
粒子的适应度的适应度计算模型为:
其中,F(x)是惩罚函数值,f(x)是原函数值,M是惩罚因子,gi(x)为约束条件,n为粒子数量。
3.一种模型参数的计算装置,其特征在于,包含:
模型获取模块,用于获取待求解的目标对象的计算模型;
模型求解模块,用于通过改进的阿奎拉鹰模型对所述计算模型进行求解,以获得所述目标对象的设计参数;其中,所述改进的阿奎拉鹰优化模型通过logistic混沌映射计算初始种群,且在开发阶段采用精英狩猎策略进行局部开发,以避免过早收敛;
所述模型求解模块,具体包括:
初始化单元,用于根据所述计算模型,随机生成初始粒子种群,并初始化迭代次数和最大迭代次数;
混沌映射单元,用于根据所述初始粒子种群,通过logistic混沌映射模型,计算得到多样化粒子种群;
适应度单元,用于计算所述多样化粒子种群中每个粒子的适应度,并判断迭代次数是否不大于预设迭代次数;
大范围单元,用于当迭代次数不大于预设迭代次数时,采用大范围搜索攻击策略更新粒子种群的位置,并将迭代次数加一,和判断是否达到最大迭代次数;
局部单元,用于当迭代次数大于预设迭代次数时,采用局部攻击策略更新粒子种群的位置,以及通过精英狩猎策略计算得到精英位置,然后通过贪婪策略获取最佳位置,并将迭代次数加一,和判断是否达到最大迭代次数;
输出单元,用于当判断到未达到最大迭代次数时,计算更新后粒子种群中每个粒子的适应度,并判断迭代次数是否不大于预设迭代次数;否则,输出最大迭代次数时的最佳位置及其对应的适应度,以获得所述设计参数;
采用大范围搜索攻击策略更新粒子种群的位置时,大范围单元具体用于:
获取第一随机数,并判断随机数是否小于第一预设值;
当判断到所述第一随机数小于第一预设值时,采用高空飞行搜索并垂直俯身攻击的策略更新粒子种群的位置;具体地,高空飞行搜索并垂直俯身攻击的位置更新模型为:
其中,X1(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,XM(t)是当前所有粒子的平均位置,t为当前迭代次数,T为最大迭代次数,N为种群数量,r1为0到1之间的随机数,Xi(t)为当前第i个粒子位置;
当判断到所述第一随机数不小于第一预设值时,采用环绕猎物飞行并短距离滑翔攻击的策略更新粒子种群的位置;其中,环绕猎物飞行并短距离滑翔攻击的位置更新模型为:
X2(t+1)=Xbest(t)×LF(D)+XR(t)+(y-x)×r2
其中,X2(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,LF(D)代表莱维飞行函数,D代表种群维度,XR(t)代表任意粒子的位置,r2为均匀分布在0到1之间的随机数,s=0.01,u与v为0到1之间的随机数,β=1.5;
采用局部攻击策略更新粒子种群的位置时,局部单元具体用于:
获取第二随机数,并判断随机数是否小于第二预设值;
当判断到所述第二随机数小于所述第二预设值时,采用低空飞行并缓降攻击的策略更新粒子位置;具体地,低空飞行并缓降攻击的位置更新模型为:
X3(t+1)=(Xbest(t)-XM(t))×α-r4+((UB-LB)×r5+LB)×δ
其中,X3(t+1)表示粒子的下一个更新位置,Xbest(t)代表目前已取得的最佳位置,XM(t)是当前所有粒子的平均位置,α与δ为适应参数,其值为0.1,UB是上边界,LB为下边界,r4和r5为0到1之间的随机数;Xi(t)为当前第i个粒子位置,N粒子的数量;
当判断到所述第二随机数不小于所述第二预设值时,采用地面近距离攻击猎物的策略更新粒子位置;具体地,地面近距离攻击猎物的位置更新模型为:
其中,X4(t+1)表示粒子的下一个更新位置,QF(t)是质量函数,用于平衡其搜索策略,Xbest(t)代表目前已取得的最佳位置,G1表示阿奎拉鹰追踪猎物的移动参数,为[-1,1]之间的随机数,X(t)为当前的粒子位置,r6、r7和r8为0到1之间的随机数,G2在空中追逐猎物的飞行斜率,从2到0线性递减,LF(D)代表莱维飞行函数,t是当前迭代次数,T为最大迭代次数;
通过精英狩猎策略计算得到精英位置的精英位置计算模型为:
XE(t+1)=XE-best+cd×(X(t)-XE-normal(t))+σ×(Xrand1-Xrand2)
cd=z0+0.1×tan(π×(r-0.5))
其中,XE(t+1)是基于精英狩猎策略产生的新位置,XE-best为从5个精英个体中随机选出的个体,cd为符合柯西分布的随机数,X(t)为当前的粒子位置,XE-normal(t)为从仓库中随机选出的15个位置,Xrand1与Xrand2为从剩下的15个个体中随机选出的,Exponent=2,σinitial=1σfinal=0,z0=2,t为当前迭代次数,T为最大迭代次数,r为分布在[0,1]之间的随机数。
4.一种模型参数的计算设备,其特征在于,包括处理器、存储器,以及存储在所述存储器内的计算机程序;所述计算机程序能够被所述处理器执行,以实现如权利要求1至2任意一项所述的模型参数的计算方法。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至2任意一项所述的模型参数的计算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110822225.5A CN113609761B (zh) | 2021-07-21 | 2021-07-21 | 一种模型参数的计算方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110822225.5A CN113609761B (zh) | 2021-07-21 | 2021-07-21 | 一种模型参数的计算方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113609761A CN113609761A (zh) | 2021-11-05 |
CN113609761B true CN113609761B (zh) | 2024-02-20 |
Family
ID=78304881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110822225.5A Active CN113609761B (zh) | 2021-07-21 | 2021-07-21 | 一种模型参数的计算方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609761B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115313763A (zh) * | 2022-08-09 | 2022-11-08 | 重庆大学 | 新能源汽车电机热管控方法 |
CN116646983A (zh) * | 2023-05-23 | 2023-08-25 | 淮阴工学院 | 基于改进战鹰优化器的适配工业负荷的智能柔性碳调度*** |
CN117692914A (zh) * | 2024-02-02 | 2024-03-12 | Ut斯达康通讯有限公司 | 服务功能链映射方法、***、电子设备和存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107317338A (zh) * | 2017-08-30 | 2017-11-03 | 广东工业大学 | 一种电力***的最优潮流计算方法及装置 |
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
CN109753680A (zh) * | 2018-11-20 | 2019-05-14 | 南京南瑞集团公司 | 一种基于混沌寻优机理的粒子群集智能方法 |
CN110516831A (zh) * | 2019-06-18 | 2019-11-29 | 国网(北京)节能设计研究院有限公司 | 一种基于mwoa算法优化svm的短期负荷预测方法 |
CN110728001A (zh) * | 2019-09-29 | 2020-01-24 | 温州大学 | 一种基于多策略增强的哈里斯老鹰算法的工程优化方法 |
CN111292808A (zh) * | 2020-02-14 | 2020-06-16 | 大连大学 | 基于改进哈里斯鹰算法的dna存储编码优化方法 |
CN111310885A (zh) * | 2020-02-27 | 2020-06-19 | 辽宁工程技术大学 | 一种引入变异策略的混沌天牛群搜索算法 |
CN111506856A (zh) * | 2020-03-10 | 2020-08-07 | 燕山大学 | 一种基于改进哈里斯鹰优化算法的光伏电池参数辨识方法 |
CN111625816A (zh) * | 2020-04-21 | 2020-09-04 | 江西理工大学 | 一种入侵检测方法及装置 |
CN111709524A (zh) * | 2020-07-03 | 2020-09-25 | 江苏科技大学 | 一种基于改进gwo算法的rbf神经网络优化方法 |
CN111832135A (zh) * | 2020-07-28 | 2020-10-27 | 郑州轻工业大学 | 基于改进哈里斯鹰优化算法的压力容器结构优化方法 |
CN112861427A (zh) * | 2021-01-15 | 2021-05-28 | 湖南科技大学 | 一种基于改进灰狼优化算法的永磁同步电机参数辨识方法 |
CN112926139A (zh) * | 2021-03-23 | 2021-06-08 | 中国人民解放***箭军工程大学 | 一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8504491B2 (en) * | 2010-05-25 | 2013-08-06 | Microsoft Corporation | Variational EM algorithm for mixture modeling with component-dependent partitions |
US10227145B2 (en) * | 2015-02-27 | 2019-03-12 | Space Systems/Loral, Llc | Truss structure |
-
2021
- 2021-07-21 CN CN202110822225.5A patent/CN113609761B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107317338A (zh) * | 2017-08-30 | 2017-11-03 | 广东工业大学 | 一种电力***的最优潮流计算方法及装置 |
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
CN109753680A (zh) * | 2018-11-20 | 2019-05-14 | 南京南瑞集团公司 | 一种基于混沌寻优机理的粒子群集智能方法 |
CN110516831A (zh) * | 2019-06-18 | 2019-11-29 | 国网(北京)节能设计研究院有限公司 | 一种基于mwoa算法优化svm的短期负荷预测方法 |
CN110728001A (zh) * | 2019-09-29 | 2020-01-24 | 温州大学 | 一种基于多策略增强的哈里斯老鹰算法的工程优化方法 |
CN111292808A (zh) * | 2020-02-14 | 2020-06-16 | 大连大学 | 基于改进哈里斯鹰算法的dna存储编码优化方法 |
CN111310885A (zh) * | 2020-02-27 | 2020-06-19 | 辽宁工程技术大学 | 一种引入变异策略的混沌天牛群搜索算法 |
CN111506856A (zh) * | 2020-03-10 | 2020-08-07 | 燕山大学 | 一种基于改进哈里斯鹰优化算法的光伏电池参数辨识方法 |
CN111625816A (zh) * | 2020-04-21 | 2020-09-04 | 江西理工大学 | 一种入侵检测方法及装置 |
CN111709524A (zh) * | 2020-07-03 | 2020-09-25 | 江苏科技大学 | 一种基于改进gwo算法的rbf神经网络优化方法 |
CN111832135A (zh) * | 2020-07-28 | 2020-10-27 | 郑州轻工业大学 | 基于改进哈里斯鹰优化算法的压力容器结构优化方法 |
CN112861427A (zh) * | 2021-01-15 | 2021-05-28 | 湖南科技大学 | 一种基于改进灰狼优化算法的永磁同步电机参数辨识方法 |
CN112926139A (zh) * | 2021-03-23 | 2021-06-08 | 中国人民解放***箭军工程大学 | 一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法 |
Non-Patent Citations (1)
Title |
---|
一种改进的多目标粒子群优化算法;何骞 等;北京石油化工学院学报;第24卷(第3期);37-43 * |
Also Published As
Publication number | Publication date |
---|---|
CN113609761A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113609761B (zh) | 一种模型参数的计算方法、装置、设备和存储介质 | |
CN111353582B (zh) | 一种基于粒子群算法的分布式深度学习参数更新方法 | |
CN105488528B (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
WO2019018375A1 (en) | NEURONAL ARCHITECTURE RESEARCH FOR CONVOLUTION NEURAL NETWORKS | |
Cheng et al. | An innovative hybrid multi-objective particle swarm optimization with or without constraints handling | |
CN112329948B (zh) | 一种多智能体策略预测方法及装置 | |
CN104899431B (zh) | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 | |
CN110134165B (zh) | 一种用于环境监测与控制的强化学习方法及*** | |
Hu et al. | Improved Ant Colony Optimization for Weapon‐Target Assignment | |
CN105205838B (zh) | 一种基于混沌粒子群算法的矢量量化码书构造方法 | |
CN113190037A (zh) | 基于改进流体扰动和麻雀算法的无人机最优路径搜索方法 | |
CN108563119A (zh) | 一种基于模糊支持向量机算法的无人艇运动控制方法 | |
US11941867B2 (en) | Neural network training using the soft nearest neighbor loss | |
CN111832135A (zh) | 基于改进哈里斯鹰优化算法的压力容器结构优化方法 | |
CN112272074B (zh) | 一种基于神经网络的信息传输速率控制方法及*** | |
CN113625569B (zh) | 一种基于混合决策模型的小型无人机防控决策方法及*** | |
Putra et al. | Estimation of parameters in the SIR epidemic model using particle swarm optimization | |
CN109871934A (zh) | 基于Spark分布式的并行二进制飞蛾扑火算法的特征选择方法 | |
Alhafedh et al. | Two-stage gene selection in microarray dataset using fuzzy mutual information and binary particle swarm optimization | |
CN110880031A (zh) | 基于融合随机黑洞策略的灰狼优化算法的特征选择方法 | |
CN114358197A (zh) | 分类模型的训练方法及装置、电子设备、存储介质 | |
CN117940936A (zh) | 用于评估对抗鲁棒性的方法和装置 | |
CN116933948A (zh) | 基于改进海鸥算法与反向传播神经网络的预测方法和*** | |
CN114330119A (zh) | 一种基于深度学习的抽蓄机组调节***辨识方法 | |
KR102349969B1 (ko) | 스마트폰, 드론, 선박 혹은 군사적 목적을 위한, 트레이닝 이미지의 최적화 샘플링에 의해 입력 데이터를 분석하는 뉴럴 네트워크의 온디바이스 연속 학습 방법 및 장치, 그리고, 이를 이용한 테스트 방법 및 장치 |
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 |