基于人工鱼群算法的约束优化问题研究.docxVIP

基于人工鱼群算法的约束优化问题研究 约束优化问题是在满足约束条件的情况下，最小化目标函数（大）的问题。在这种情况下，约束条件可以是等式或等式限制。整体优化在科学工程和应用科学中的应用是无限的。近年来，许多科学家对整体优化理论和应用进行了大量研究。 增广拉格朗日乘子法最初是由Hestenes 约束优化已成为非线性优化面临的一个挑战性课题, 因为用于约束优化的可行性方法仅针对具体问题具有良好的优化效果.Birgin等 增广拉格朗日乘子法是目前用于解决等式/不等式约束函数优化的常用方法, 该方法将约束优化问题转化为无约束优化问题进行求解, 而鱼群算法作为一种新型的群体智能优化方法和粒子群算法有着类似的全局收敛性, 借鉴文献[13-14]的理论思想, 本文尝试将增广的拉格朗日乘子法和鱼群算法相结合用于解决约束非线性的全局优化问题. 1 增广拉氏函数 最优化问题的数学模型一般为 式中:Ω={x∈R 采用增广拉格朗日乘子法对问题 (1) 进行优化求解, 定义增广拉氏函数为 式中:x∈Ω;λ∈R 定义惩罚参数的初值为 式中:x 其中i=1, 2, …, m.给定运算精度ε 若满足‖v 增广拉格朗日乘子法的算法流程如图1所示. 在上述增广拉格朗乘子法的实现程序中, 内部算法采用基于群体智能的鱼群算法, 并将第k次迭代式 (3) 的近似最小解x 2 鱼群算法 鱼群算法是李晓磊等 2.1 鱼群算法实现流程 鱼群算法是目前比较流行的一种新型群体智能优化方法, 该方法的实现流程主要包括:鱼群初始化、觅食行为、聚群行为、追尾行为和随机行为 本文中的移动步长s=βmax (X 2) 聚群行为的实现:选取鱼群当前状态为X 3) 追尾行为的实现:选取鱼群当前状态为X 4) 随机行为:不满足觅食行为的更新条件时, 进行随机行为操作. 图2说明了鱼群算法实现的大致流程.需要指出的是, 鱼群行为中的人工鱼所处状态的适应值Y是由式 (3) 的增广拉格朗日函数计算得到的, 另外, d 2.2 鱼群算法的收敛性分析 因为鱼群行为中有随机性行为的参与, 因此不可避免地会出现随机性优化结果, 对此借鉴文献[19-20]对粒子群算法收敛性分析的思想理论, 对鱼群算法进行简要的均方收敛性分析, 为方便分析, 并不失一般性, 假设决策变量为一维变量, 且对目标函数进行最小值优化. 鱼群算法的收敛性特性定义为:ue02fi∈{1, 2, …, P 式中:X 式中Y (t) =a 其中a=a 所以迭代过程的特征方程为 定理1给定a 定理2给定a 证明由于D (XY) =D (X) D (Y) +D (X) E 从前面的定义可以得出 所以, 特征方程为 同定理1中E[X (t) ]的收敛条件一样, D (X (t) ) 收敛需满足特征根 所以a 3 仿真参数设置 用文中提出的混合鱼群算法 (AFS n (n=13, 20, 10, 5, 2, 8) 表示决策变量的维数.参考文献[13]中拉格朗日乘子法的参数设置, 本文仿真参数设置如下:λ 通过和文献[22]的优化算法比较可以看出, 文中提出的算法能够较好的解决非线性函数的优化问题, 优化得到的可行解具有较高的计算精度, 且算法具有较好的稳定性, 甚至对于较高维的优化函数也可以得到比较满意的可行解, 如测试函数G 3.1 群体规模对算法的影响 以测试函数G 从表2可以看出, 种群规模的增大提高了优化解的质量, 除了G 3.2 内部迭代数对算法的影响 选取G 除G 4 仿真结果分析 增广拉格朗日乘子法是求解约束非线性优化问题的常用方法, 和群体智能算法的融合进一步拓宽了该方法的应用领域.鱼群算法和其他智能算法一样, 属于一种随机搜索算法, 文中简要分析了该算法的随机收敛性, 并给出了扼要的证明, 所得结论如下: 1) 文中选取了6个测试函数, 通过和自适应惩罚遗传算法的结果相比, 本文的仿真结果优于文献[22]的结果, 尤其对于较高维函数的计算优势更明显, 证明本文提出的混合鱼群算法在求解约束非线性优化问题时是可行、有效的, 且通过多次仿真分析了外部迭代次数、内部迭代次数以及鱼群规模对优化结果的影响. 2) 经多次仿真发现, 对于决策变量寻优范围比较大的优化函数, 得到的可行解的精度相对较低, 所以为了得到较高质量的可行解, 在进行种群初始化时, 可以采取适当的策略以提高种群初始化质量, 如采用基于Tent映射的混沌方法进行种群初始化等. 3) 基本鱼群算法的计算精度相对较低, 要用于解决较高精度的约束优化问题, 可以对基本鱼群算法进行改进, 然后和增广拉格朗日乘子法相结合进行问题的优化分析. 1) 觅食行为的实现:选择人工鱼的当前状态为X 证明由于 令ω= (a