群混沌优化的方法.docVIP

群混沌优化的方法 　　摘 要:针对混沌优化对初始值敏感、搜索精确解效率低等不足,提出了一种群混沌优化算法。该方法令搜索从不同的初始值同时出发,降低对初始值的敏感度,能够用较少的迭代次数,迅速有效的遍历空间内所有状态,实验算例和仿真结果表明,新型混沌优化方法具有较高的搜索效率与搜索精度。 　　关键词:群混沌 初值敏感度 遍历空间 　　 　　1 引言 　　混沌理论是系统从有规律突然变为无规律状态的一种演化理论,是对确定性系统中出现的内在随机过程形成的途径和机制的研讨。混沌是非线性动力学系统在一定条件下所表现的一种运动形式,是系统处于非平衡过程中所呈现的随机行为;产生混沌的机制往往又是简单的非线性,是丝毫不带随机因素的固定规则。混沌具有(1)随机性:混沌的表现同其他随机变量相同,都显得没有规律而杂乱。(2)遍历性:混沌能不重复地历经一定范围内的所有状态。(3)规律性:混沌是由确定的迭代方程导出的。混沌运动能在一定范围内按其自身的规律不重复地遍历所有状态。混沌的这种遍历性特点可被用来进行优化搜索且能避免陷入局部极小。因此,混沌优化搜索方法已成为一种新颖的优化技术。混沌优化就是根据其遍历性和规律性特点采用混沌变量在一定范围内进行搜索,促使混沌变量的搜索跳出局部极小点,最终达到全局最优点。 　　为了克服传统的优化算法的不足,目前,许多学者引入混沌动力学系统以求解复杂的优化问题。文献[6]用混沌变量进行优化搜索,其基本思想是把混沌变量线形映射到优化变量的取值区间,然后利用混沌变量进行搜索。如果搜索空间相对较大时,搜索时间就过于长。文献[7]提出了变尺度优化方法,它不断缩小优化变量的搜索空间,并不断改变二次搜索的调节系数。该算法在保证真正最优点仍然在缩小后的空间中,就必须在缩小空间前进行多次盲目搜索,搜索量相对非常的大,要不就很难寻到真正的最优点。文献[8]提出了双混沌机制优化方法,其特点是用两个不同的混沌变量分别进行独立搜索,根据两者的搜索的最优点距离情况来缩小搜索空间。但当搜索空间较大,函数复杂程度越高时,其结果就不能令人满意。因此怎样选择搜索起点、如何缩小搜索空间、如何设计限局部搜索方式、如何设计好两个阶段的终止准则、如何选取合适的初始控制参数及其控制策略,仍是提高上述基于混沌动态优化算法性能的关键。 　　基于此,本文提出了群混沌优化方法,群举出混沌变量的多个初始值同时在搜索空间进行搜索,降低了初始值的选取对最优解的不利影响,能够迅速的遍历空间内所有状态,明显加快了搜索速度。实验算例表明,该算法简单、易于实现,求解精度、求解速度和可靠性较之传统方法更优越。 　　2. 群混沌并行优化算法 　　 这里的混沌动力学方程选择一种混沌特性比Logistic映射更优的折叠次数无限混沌映射: 　　xn ∈[-1,1],x≠0,x(n+1)=sin[a/x(n)] (1) 　　a∈(0,+∞) n=0,1,2……。 　　取a = 2,图1描述了该混沌模型的500次迭代运动轨迹。 　　该映射由于折叠次数无限,在区间[ - 1 ,1 ]内有无穷多个不动点和零点,因此若要由此映射产生混沌,必须注意以下2 点: 　　(1)迭代的初始值不能为0 ; 　　(2)初始值不能取为无穷多个不动点的任何一个,否则为稳定轨道, 不能产生混沌, 不动点为方程x = sin (2/x ) 的解。 　　混沌运动随机性强,初始值不同时,混沌优化算法收敛速度和搜索精度差别很大,收敛稳定性不强。QPCOA算法采取群并行机制,克服了混沌随机性的影响,提高了搜索效率。对于n 个变量的优化问题,QPCOA算法并行给定P??n个混沌变量(P 为群的个数),即每一个优化变量由P个混沌变量来独立并行映射,优化结果取 P 个并行混沌变量的映射最优值。 　　考虑以下的一类优化问题: 　　min f (xn), xi={x1,x2,...,xn} , ai ≤xi ≤bi (2) 　　这里xi 为n 维优化变量, [ai,bi]为优化变量xi(i=1,2,…,n)的定义域。定义一下变量: 　　xik=xi (0), yik=yi (0),x*=xi (0), y*=yi (0), air=ai, bir =bi,k 为迭代次数;P 为群并行数,j 表示每一个并行变量,j =1,2,..,P ; xijK 表示第k 次迭代时,第i个变量对应的并行第j 个变量值;mx 表示混沌变量值, mxijk 表示第k 次迭代时, 第i个变量对应的并行第j 个混沌变量值;fpj* 为并行最优值,即每一组并行变量的当前最优值, xij* 为对应的并行最优解,f * 为整体最优值,即f*= min( fpj* ) ,xi* 为对应的整体最优解。 　　Step 1 初始化。k =1