本發(fā)明涉及物聯(lián)網(wǎng)領(lǐng)域，特別是涉及一種基于區(qū)域分割的控制方法及系統(tǒng)。

背景技術(shù)：

粒子群算法是近年來由J.Kennedy和R.C.Eberhart等開發(fā)的一種新的進化算法，其數(shù)學理論如下：在一個D維搜索區(qū)域(解空間)內(nèi)存在N個粒子，每個粒子被視為D維搜索空間的一個搜索個體，描述粒子狀態(tài)的參數(shù)有兩個，分別為速度與位置，粒子根據(jù)自身的經(jīng)驗(個體歷史最優(yōu))和群體經(jīng)驗(群體歷史最優(yōu))來指導(dǎo)自己的“飛行”(即通過速度的變化來改變位置)，粒子速度與位置分別進行更新，最終得到最優(yōu)解。粒子群算法屬于進化算法的一種，從隨機解出發(fā)，通過迭代尋找最優(yōu)解，通過適應(yīng)度來評價解的品質(zhì)，但它比遺傳算法規(guī)則更為簡單，它沒有遺傳算法的“交叉”和“變異”操作。

粒子群算法，用于物聯(lián)網(wǎng)系統(tǒng)中，目的是降低無線傳感節(jié)點的功耗，從而延長物聯(lián)網(wǎng)中無線傳感節(jié)點的使用周期?，F(xiàn)有的粒子群算法或提高了算法的收斂速度確無法提高算法的收斂精度，或提高了算法的收斂精度卻無法提高算法的收斂速度，這就使得現(xiàn)有的粒子群算法存在著收斂速度與收斂精度之間相互矛盾的缺點，也就使得物聯(lián)網(wǎng)系統(tǒng)中無線傳感節(jié)點的功耗增加，從而縮短了物聯(lián)網(wǎng)中無線傳感節(jié)點的使用周期。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種基于區(qū)域分割的控制方法及系統(tǒng)，通過設(shè)計單個粒子的指數(shù)遞減慣性權(quán)重，然后通過信息交叉優(yōu)化進行區(qū)域分割，通過柯西算子進行粒子自適應(yīng)變異，以實現(xiàn)不大幅增加計算復(fù)雜度的前提下提高收斂速度并提高收斂精度，從而降低物聯(lián)網(wǎng)系統(tǒng)中無線傳感節(jié)點的功耗，延長物聯(lián)網(wǎng)中無線傳感節(jié)點的使用周期。

一種基于區(qū)域分割的控制方法，所述方法包括：

獲取搜索區(qū)域S與目標函數(shù)f_it；

獲取設(shè)定的迭代次數(shù)、相關(guān)系數(shù)及區(qū)域分割邊界，所述相關(guān)系數(shù)包括設(shè)定的迭代次數(shù)；

在所述搜索區(qū)域內(nèi)獲取所述目標函數(shù)粒子歷史最優(yōu)位置與全局最優(yōu)位置的歐氏距離，根據(jù)所述歐式距離計算粒子慣性權(quán)重；

根據(jù)所述慣性權(quán)重更新粒子速度；

根據(jù)所述粒子速度更新粒子位置；

根據(jù)更新后的粒子速度與更新后的粒子位置進行區(qū)域分割；

判斷區(qū)域分割后的粒子是否滿足自適應(yīng)變異條件；

若不滿足，返回所述根據(jù)慣性權(quán)重更新粒子速度的步驟；

若滿足，對所述粒子進行自適應(yīng)變異；

根據(jù)所述自適應(yīng)變異后的粒子的速度與位置更新個體歷史最優(yōu)解pbest和群體歷史最優(yōu)解gbest；

判斷當前的迭代次數(shù)是否小于所述設(shè)定的迭代次數(shù)值；

若是，將所述當前迭代次數(shù)加1，返回所述根據(jù)慣性權(quán)重更新粒子速度的步驟；

若否，根據(jù)更新后的個體歷史最優(yōu)解和群體歷史最優(yōu)解計算全局最優(yōu)解。

可選的，所述獲取相關(guān)系數(shù)具體包括：獲取系數(shù)a，b，c，d，其中a＝0.5，b＝50，c＝0.35，d＝0.8。

可選的，所述計算慣性權(quán)重具體包括：

利用公式計算慣性權(quán)重；

其中，L_ij為第i次迭代中的第j個粒子歷史最優(yōu)位置與全局最優(yōu)位置的歐氏距離，D表示搜索區(qū)域維度，g_k表示全局最優(yōu)位置在k維上的分量，p_jk為第j個粒子歷史最優(yōu)位置在k維上的分量，ω_max為0.9，ω_min為0.4，L_max表示搜索區(qū)域的所有粒子歐氏距離的最大值，t_i為當前迭代次數(shù)，t_max為設(shè)定的迭代次數(shù)。

可選的，所述根據(jù)慣性權(quán)重更新粒子速度具體包括：

利用公式

v_ij(t+1)＝ω_ijv_ij(t)+c₁r₁(pbest_ij(t)-x_ij(t))+c₂r₂(gbest_g(t)-x_ij(t))更新粒子速度，其中t是迭代次數(shù)，c₁為自身加速常數(shù)，c₂為全局加速常數(shù)，r₁和r₂是[0，1]之間的隨機數(shù)，v_ij(t)表示第t次迭代中粒子i的速度在j維上的分量，v_ij(t+1)表示第t+1次迭代中粒子i的速度在j維上的分量，ω_ij為慣性權(quán)重，pbest_ij(t)為第t次迭代中粒子i的個體歷史最優(yōu)解，gbest_g(t)為t次迭代中群體歷史最優(yōu)解，x_ij(t)為第t次迭代中粒子i的位置在j維上的分量。

可選的，所述更新粒子位置具體包括：利用公式x_ij(t+1)＝x_ij(t)+v_ij(t+1)更新粒子位置，其中v_ij(t+1)表示第t+1次迭代中粒子i的速度在j維上的分量，x_ij(t)表示第t次迭代中粒子i的位置在j維上的分量，x_ij(t+1)表示第t+1次迭代中粒子i的位置在j維上的分量。

可選的，所述進行區(qū)域分割具體包括：

(1)在所述搜索區(qū)域內(nèi)，按照粒子到全局最優(yōu)位置的歐氏距離進行排序，以歐氏距離設(shè)定值為界，將粒子搜索區(qū)域分成兩部分：界限內(nèi)區(qū)域與界限外區(qū)域，界限內(nèi)區(qū)域的粒子定義為第一粒子，界限外區(qū)域的粒子定義為第二粒子；

(2)從所述第一粒子中選擇兩個粒子j和k，利用公式V_i＝aV_j+(1-a)V_k和X_i＝aX_j+(1-a)X_k進行交叉操作，即將粒子j和粒子k的速度和位置按預(yù)設(shè)權(quán)重比例進行交叉，生成一個新粒子i的速度及位置信息，其中V_j為粒子j的速度，V_k為粒子k的速度，V_i為新粒子i的速度，X_j為粒子j的位置坐標，X_k為粒子k的位置坐標，X_i為新粒子i的位置坐標，a為常數(shù)，在[0，1]之間；

(3)用新粒子i的信息取代一個所述第二粒子的信息；

(4)執(zhí)行步驟(2)和(3)直到所有所述第二粒子被取代，從而形成新的種群；

(5)反復(fù)執(zhí)行步驟(1)～(4)，多次分割搜索區(qū)域至分割次數(shù)達到預(yù)設(shè)值。

可選的，所述判斷粒子是否滿足自適應(yīng)變異條件具體包括：

判斷粒子j是否至少滿足以下條件之一：

(3)群體歷史最優(yōu)解gbest在連續(xù)b次迭代內(nèi)均無改善，b的理想取值為：若滿足即為粒子滿足自適應(yīng)變異條件；

(4)粒子j與全局最優(yōu)粒子k的距離函數(shù)s(l)滿足若滿足即為粒子滿足自適應(yīng)變異條件，其中s(l)為粒子j與全局最優(yōu)粒子k的距離函數(shù)，l_kj為粒子j與全局最優(yōu)粒子k之間的歐氏距離，n為粒子個數(shù)，c為[0，1]之間的常數(shù)，D為搜索區(qū)域。

可選的，所述對所述粒子進行自適應(yīng)變異具體包括：

利用公式和對粒子j進行自適應(yīng)變異，其中V_j1，為粒子j變異前速度，V_j2為粒子j變異后速度，X_j1為粒子j變異前位置坐標，X_j1為粒子j變異后位置坐標，rand為為[0,1]之間隨機值生成函數(shù)，用于產(chǎn)生一個[0,1]的隨機值。

可選的，所述系統(tǒng)包括：

搜索區(qū)域與目標函數(shù)獲取模塊，用于獲取搜索區(qū)域S與目標函數(shù)f_it；

設(shè)定的迭代次數(shù)、相關(guān)系數(shù)及區(qū)域分割邊界獲取模塊，用于獲取設(shè)定的迭代次數(shù)、相關(guān)系數(shù)及區(qū)域分割邊界；

距離計算模塊，用于在所述搜索區(qū)域內(nèi)計算所述目標函數(shù)粒子歷史最優(yōu)位置與全局最優(yōu)位置的歐氏距離；

慣性權(quán)重計算模塊，用于計算慣性權(quán)重；

粒子速度更新模塊，用于根據(jù)所述慣性權(quán)重更新粒子速度；

粒子位置更新模塊，用于更新粒子位置；

區(qū)域分割模塊，用于進行區(qū)域分割；

自適應(yīng)變異條件判斷模塊，用于判斷粒子是否滿足自適應(yīng)變異條件；

自適應(yīng)變異模塊，用于當滿足所述自適應(yīng)變異條件時，對所述粒子進行自適應(yīng)變異；

最優(yōu)解更新模塊，用于更新個體歷史最優(yōu)解pbest和群體歷史最優(yōu)解gbest；

迭代次數(shù)判斷模塊，用于判斷當前迭代次數(shù)是否小于設(shè)定的迭代次數(shù)值；

迭代次數(shù)控制模塊，用于當當前迭代次數(shù)小于設(shè)定的迭代次數(shù)值時，將所述當前迭代次數(shù)加1；

全局最優(yōu)解計算模塊，用于當當前迭代次數(shù)不小于設(shè)定的迭代次數(shù)值時，計算全局最優(yōu)解。

根據(jù)本發(fā)明提供的具體實施例，本發(fā)明的有益效果為：

通過設(shè)計單個粒子的指數(shù)遞減慣性權(quán)重，然后通過信息交叉優(yōu)化進行區(qū)域分割，通過柯西算子進行粒子自適應(yīng)變異，在保持低的計算復(fù)雜度的前提下提高了收斂速度同時提高了收斂精度，從而降低了物聯(lián)網(wǎng)系統(tǒng)中無線傳感節(jié)點的功耗，延長了物聯(lián)網(wǎng)中無線傳感節(jié)點的使用周期。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明基于區(qū)域分割的控制方法流程圖；

圖2為本發(fā)明基于區(qū)域分割的控制方法實施例1的收斂曲線圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本發(fā)明的目的是提供一種基于區(qū)域分割的控制方法及系統(tǒng)，通過設(shè)計單個粒子的指數(shù)遞減慣性權(quán)重，然后通過信息交叉優(yōu)化進行區(qū)域分割，通過柯西算子進行粒子自適應(yīng)變異，以實現(xiàn)不增加計算復(fù)雜度的前提下提高收斂速度并提高收斂精度，從而降低物聯(lián)網(wǎng)系統(tǒng)中無線傳感節(jié)點的功耗，延長物聯(lián)網(wǎng)中無線傳感節(jié)點的使用周期。

為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步詳細的說明。

圖1為本發(fā)明基于區(qū)域分割的控制方法流程圖。如圖1所示，所述方法包括：

步驟101：獲取搜索區(qū)域與目標函數(shù)，例如，一維搜索區(qū)域可以設(shè)其搜索區(qū)間為[-a,a]；目標函數(shù)即為待分析的函數(shù)，例如，可以為

步驟102：根據(jù)搜索區(qū)域和目標函數(shù)獲取相關(guān)系數(shù)及區(qū)域分割邊界，所述相關(guān)系數(shù)包括設(shè)定的迭代次數(shù)等其他系數(shù)；對于分割邊界，例如，一維搜索區(qū)域搜索區(qū)間為[-a,a]，可以設(shè)其區(qū)域分割邊界為fr，則其對應(yīng)的分割區(qū)間為[-fr，fr]；

步驟103：在搜索區(qū)域內(nèi)獲取目標函數(shù)粒子歷史最優(yōu)位置與全局最優(yōu)位置的歐氏距離，根據(jù)所述歐式距離計算粒子慣性權(quán)重ω_ij，具體為：

其中，L_ij為第i次迭代中的第j個粒子歷史最優(yōu)位置與全局最優(yōu)位置的歐氏距離，D表示搜索區(qū)域維度，g_k表示全局最優(yōu)位置在k維上的分量，p_jk為第j個粒子歷史最優(yōu)位置在k維上的分量，ω_max為0.9，ω_min為0.4，L_max表示搜索區(qū)域的所有粒子歐氏距離的最大值，t_i為當前迭代次數(shù)，t_max為設(shè)定的迭代次數(shù)。

顯然，從而推得也即保證了ω_ij在(0.4，0.9)理想?yún)^(qū)間，同時也使線性遞減權(quán)重優(yōu)化為指數(shù)的非線性遞減權(quán)重，使粒子速度變化呈現(xiàn)出前期快后期慢的特征，更好地平衡全局搜索與局部挖掘；更為重要的是在同一次迭代中，不同的粒子根據(jù)其與全局最優(yōu)位置的歐氏距離不同而被賦予不同的慣性權(quán)重，離全局最優(yōu)位置越遠的粒子以越快的速度向其靠近，而在全局最優(yōu)位置附近的粒子則做小范圍精細探索，增大發(fā)現(xiàn)全局最優(yōu)位置的概率，從而在大大提高收斂速度的同時也很好地兼顧了發(fā)現(xiàn)新的最優(yōu)解的概率，因此充分利用粒子的差異性提高了算法的收斂速度。

步驟104：利用步驟103中得到的慣性權(quán)重更新粒子速度，并根據(jù)所述粒子速度更新粒子位置，具體為：

利用v_ij(t+1)＝ω_ijv_ij(t)+c₁r₁(pbest_ij(t)-x_ij(t))+c₂r₂(gbest_g(t)-x_ij(t))更新粒子速度，其中t是迭代次數(shù)，c₁為自身加速常數(shù)，c₂為全局加速常數(shù)，r₁和r₂是[0，1]之間的隨機數(shù)，v_ij(t)表示第t次迭代中粒子i的速度在j維上的分量，v_ij(t+1)表示第t+1次迭代中粒子i的速度在j維上的分量，ω_ij為慣性權(quán)重，pbest_ij(t)為第t次迭代中粒子i的個體歷史最優(yōu)解，gbest_g(t)為t次迭代中群體歷史最優(yōu)解，x_ij(t)為第t次迭代中粒子i的位置在j維上的分量。

利用公式x_ij(t+1)＝x_ij(t)+v_ij(t+1)更新粒子位置，其中v_ij(t+1)表示第t+1次迭代中粒子i的速度在j維上的分量，x_ij(t)表示第t次迭代中粒子i的位置在j維上的分量，x_ij(t+1)表示第t+1次迭代中粒子i的位置在j維上的分量。

步驟105：根據(jù)更新后的粒子速度與粒子位置進行區(qū)域分割，具體操作步驟為：

(1)在所述搜索區(qū)域內(nèi)，按照粒子到全局最優(yōu)位置的歐氏距離進行排序，以歐氏距離設(shè)定值為界，設(shè)定值為0.5*L_max(L_max為所有粒子到全局最優(yōu)位置的歐氏距離的最大值)，將粒子搜索區(qū)域分成兩部分：界限內(nèi)區(qū)域與界限外區(qū)域，界限內(nèi)區(qū)域的粒子定義為第一(較優(yōu))粒子，界限外區(qū)域的粒子定義為第二(較劣)粒子；

(2)從所述第一(較優(yōu))粒子中選擇兩個粒子j和k，利用公式V_i＝aV_j+(1-a)V_k和X_i＝aX_j+(1-a)X_k進行交叉操作，即將粒子j和粒子k的速度和位置按預(yù)設(shè)權(quán)重比例進行交叉，生成一個新粒子i的速度及位置信息，其中V_j為粒子j的速度，V_k為粒子k的速度，V_i為新粒子i的速度，X_j為粒子j的位置坐標，X_k為粒子k的位置坐標，X_i為新粒子i的位置坐標，a為常數(shù)，在[0，1]之間；

(3)用新粒子i的信息取代一個所述第二(較劣)粒子的信息；

(4)執(zhí)行步驟(2)和(3)直到所有所述第二(較劣)粒子被取代，從而形成新的種群；

(5)反復(fù)執(zhí)行步驟(1)～(4)，多次分割搜索區(qū)域至分割次數(shù)達到預(yù)設(shè)值。

由于采用了用第一(較優(yōu))粒子交叉信息取代第二(較劣)粒子措施，導(dǎo)致第二(較劣)粒子很快收斂于第一(較優(yōu))粒子的界限內(nèi)，使搜索區(qū)域快速收斂，克服了傳統(tǒng)的粒子群算法(Particle Swarm Optimization，PSO)中粒子受最大速度及方程的限制而只能一步步向最優(yōu)解靠近的不足，同時粒子的運動不再僅僅由個體最優(yōu)和全局最優(yōu)兩個參數(shù)決定，隨機選擇用于交叉的兩粒子信息也對粒子的運動產(chǎn)生重要影響，從而降低了收斂精度的問題。

以一維搜索區(qū)域為例，設(shè)其搜索區(qū)間為[-a₁,a₁]，經(jīng)過交叉后粒子集中于[-f_r1，f_r1]中，從而形成新的搜索區(qū)域[-a₂，a₂]，再次交叉后粒子集中于[-f_r2，f_r2]，形成更小搜索區(qū)域[-a₃，a₃]，接著交叉后粒子集中于[-f_r3，f_r3]......，其中，fr＝a₁，f_r1＝a₂，f_r2＝a₃，通過不斷循環(huán)迭代分割區(qū)域最終使所有粒子均集中于最優(yōu)解附近。這里的關(guān)鍵是較優(yōu)粒子是隨機選擇，而并非是選擇兩個最優(yōu)粒子進行交叉，也就是說較劣粒子被取代的本質(zhì)不是向最優(yōu)粒子或者某個特定粒子靠攏，而是向整個界限內(nèi)靠近，從而既達到收斂的目的同時也保證了粒子的多樣性。

步驟106：判斷區(qū)域分割后的粒子是否滿足自適應(yīng)變異條件，若是，執(zhí)行步驟107，若否，返回步驟104?；谥暗母倪M，算法的收斂速度及收斂精度均有大幅提高，但仍有可能陷入局部最優(yōu)而無法跳出。因此，在此基礎(chǔ)上進行自適應(yīng)變異條件判斷：迭代進行到一定代數(shù)，此時粒子集中于極小的區(qū)域內(nèi)，粒子的位置V_i與pbest和gbest非常接近，導(dǎo)致粒子運動速度幾乎為0，進化陷于停滯。此時可根據(jù)粒子與全局最優(yōu)粒子的親和力(粒子與全局最優(yōu)粒子歐氏距離越小，則兩者親和力越大；反之亦然)判斷是否采取自適應(yīng)變異操作。具體判斷條件為：

判斷粒子j是否至少滿足以下條件之一：

(1)群體歷史最優(yōu)解gbest在連續(xù)b次迭代內(nèi)均無改善，b的理想取值為：若滿足即為粒子滿足自適應(yīng)變異條件；

(2)粒子j與全局最優(yōu)粒子k的距離函數(shù)s(l)滿足若滿足即為粒子滿足自適應(yīng)變異條件，其中s(l)為粒子j與全局最優(yōu)粒子k的距離函數(shù)，l_kj為粒子j與全局最優(yōu)粒子k之間的歐氏距離，n為粒子個數(shù)，c為[0，1]之間的常數(shù)，D為搜索區(qū)域。

步驟107：對粒子進行自適應(yīng)變異操作，粒子執(zhí)行自適應(yīng)變異的前提為粒子滿足集中極小區(qū)域的條件，自適應(yīng)變異操作采用以下策略：

(1)粒子以其與全局最優(yōu)粒子的歐氏距離大小決定其變異概率，此概率表達為：其中L_ij為第i次迭代中的第j個粒子歷史最優(yōu)位置與全局最優(yōu)位置的歐氏距離，L_max表示搜索區(qū)域的所有粒子歐氏距離的最大值，d為變異概率調(diào)節(jié)因子，其值在[0，1]之間。從而p在[0，d]之間，且l_kj越小則p越大，也即粒子離全局最優(yōu)粒子越近則以越大概率產(chǎn)生擾動，從而更可能探索新區(qū)域，增大發(fā)現(xiàn)最優(yōu)解的概率。

(2)若粒子產(chǎn)生變異，也即[0，1]之間隨機產(chǎn)生函數(shù)rand≤p，則對產(chǎn)生變異的粒子j執(zhí)行以下操作以生成新的速度與位置：

其中引入的柯西變異算子Cauchy的表達式為：V_j1為粒子j變異前速度，V_j2為粒子j變異后速度，X_j1為粒子j變異前位置坐標，X_j1為粒子j變異后位置坐標，rand為[0,1]之間隨機值生成函數(shù)，用于產(chǎn)生一個[0,1]的隨機值。

Cauchy算子的作用是保證數(shù)列的收斂性，從而保證粒子的速度與位置不會因為變異過大而無法收斂。由因子項可知，粒子與全局最優(yōu)粒子親和力越大，則其變異的速度和位置越大，從而保證粒子在更大區(qū)域進行搜索，提高了粒子的多樣性以及在更大區(qū)域內(nèi)發(fā)現(xiàn)新解的概率；引入與當前迭代次數(shù)相關(guān)的指數(shù)衰減因子使其與迭代次數(shù)關(guān)聯(lián)起來，可使粒子變異的速度及位置而在迭代后期不致過大；進一步引入rand函數(shù)增加了粒子的隨機性和獨立性。

步驟108：根據(jù)所述自適應(yīng)變異后的粒子的速度與位置更新個體歷史最優(yōu)解pbest和群體歷史最優(yōu)解gbest；

步驟109：判斷當前的迭代次數(shù)是否小于設(shè)定的迭代次數(shù)值，若是，執(zhí)行步驟1011，若否，執(zhí)行步驟1010；

步驟1010：根據(jù)更新后的個體歷史最優(yōu)解和群體歷史最優(yōu)解計算全局最優(yōu)解，全局最優(yōu)解即為群里歷史最優(yōu)解。

步驟1011：當前迭代次數(shù)加1，返回步驟104。

圖2為本發(fā)明基于區(qū)域分割的控制方法實施例1的收斂曲線圖。選擇對比的算法：標準PSO；GLbest-PSO算法，此算法將全局最優(yōu)與局部最優(yōu)引入慣性權(quán)重中；ALEMSPSO算法，此算法將群體分為自主學習和精英群的多子群，不同種群進行通信來確定全局最優(yōu)；EICS-CPSO算法，此算法采用免疫克隆選擇的策略并采用協(xié)同進化的思想保持種群多樣性。

實驗環(huán)境設(shè)定：實驗硬件環(huán)境為Pentium(R)Dual-Core CPUE5800(3.2GHz),內(nèi)存為4GB，軟件平臺為MATLAB 2014a。算法采用統(tǒng)一參數(shù)設(shè)置，為了減少偶然誤差帶來的隨機性，實驗均重復(fù)30次，結(jié)果為30次均值，種群大小N＝30，最大迭代次數(shù)T＝1000，c1＝c2＝1.495。不同算法的獨立參數(shù)均按原算法設(shè)置。

固定迭代次數(shù)T＝1000，其他設(shè)置均不變。

對比的指標為在不同測試函數(shù)的收斂速度及收斂精度，如圖2所示，本發(fā)明中基于區(qū)域分割的自適應(yīng)變異粒子群算法(Regional-segmentation self-adapting variation particle swarm optimization，RSVPSO)在這兩個最為重要的指標上均有明顯優(yōu)勢。其較好的收斂性得益于其采用了動態(tài)非線性慣性權(quán)重，該策略使粒子的速度隨權(quán)重靈活遞減，同時信息交叉使粒子速度及位置變化遠比基本粒子群算法快，大大提高了粒子搜索效率；最后基于柯西算子的自適應(yīng)變異也增大了粒子逃出局部最優(yōu)的能力，從而保證了粒子搜索解的精度。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。對于實施例公開的系統(tǒng)而言，由于其與實施例公開的方法相對應(yīng)，所以描述的比較簡單，相關(guān)之處參見方法部分說明即可。

本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實施方式及應(yīng)用范圍上均會有改變之處。綜上所述，本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。