技術(shù)特征：

1.一種矢量高斯學(xué)習(xí)的粒子群優(yōu)化方法，其特征在于，包括如下內(nèi)容：

矢量高斯學(xué)習(xí)策略

定義1高斯解(Gaussian Solution,GS)，在M維搜索空間中的一個(gè)點(diǎn)X_i＝(x_i1,x_i2,…,x_iM)，其對(duì)應(yīng)的高斯解可定義如下：

$x_{ij}^{*}=x_{ij}+Gauss\_random\left(\mathrm{\μ},{\mathrm{\σ}}^2\right)---\left(3\right)$

其中，為第i個(gè)個(gè)體第j維經(jīng)高斯學(xué)習(xí)后的新位置，x_ij為第i個(gè)個(gè)體第j維的原有位置，Gauss_random(μ,σ²)為高斯隨機(jī)數(shù)函數(shù)，μ和σ²分別為高斯隨機(jī)函數(shù)的均值和方差；

定義2矢量高斯解(Vector Gaussian Solution,VGS)，在M維搜索空間中的精英粒子gBest，其對(duì)應(yīng)的矢量高斯解gBest^*，可定義如下：

num＝Int((1.0-i*1.0/iterNum)*M)+1 (4)

m＝rand()％M (5)

${\mathrm{gBest}}_m^{*}={\mathrm{gBest}}_m+Gauss\_random\left(\mathrm{\μ},{\mathrm{\σ}}^2\right)---\left(6\right)$

其中，M為粒子總維度數(shù)；i和iterNum分別表示當(dāng)前迭代次數(shù)和最大迭代次數(shù)；num為進(jìn)行矢量高斯學(xué)習(xí)的維度空間大小，隨著迭代次數(shù)的增加，學(xué)習(xí)的維度空間越來越小，直至變成1維；Int()是取整函數(shù)；m(0≤m＜M-1)為一隨機(jī)整數(shù)，表示選擇的是M維中的第m維，且同一次更新選擇的所有num個(gè)維度均不同；Gauss_random(μ,σ²)為高斯隨機(jī)數(shù)函數(shù)；gBest_m為精英粒子第m維的位置信息；

在矢量高斯學(xué)習(xí)策略中，為平衡粒子的全局探測(cè)能力與局部開發(fā)能力，需對(duì)矢量高斯學(xué)習(xí)的方差進(jìn)行動(dòng)態(tài)調(diào)整，進(jìn)化前期σ²較大，粒子的搜索空間大，算法的全局搜索能力強(qiáng)；隨著進(jìn)化的深入，σ²越來越小，粒子的搜索空間變小，算法的局部開發(fā)能力強(qiáng)；其方差調(diào)整策略定義如下：

設(shè)在某一次迭代過程中，矢量高斯學(xué)習(xí)策略選擇的維度空間大小為num(1≤num≤M)，選擇的維度數(shù)值分別是j₁,j₂,…,j_num，其中1≤j₁且j_num≤M，則

${\mathrm{gBest}}_{min}=min\left(\right|{\mathrm{gBest}}_{j_1}|,|{\mathrm{gBest}}_{j_2}|,\mathrm{...}|{\mathrm{gBest}}_{j_{num}}\left|\right)---\left(7\right)$

σ²＝gBest_min*r₃ (8)

其中：min()函數(shù)為最小值選取函數(shù)，r₃為[0,0.5]之間的隨機(jī)數(shù)；

同時(shí)，根據(jù)算法所處的進(jìn)化狀態(tài)對(duì)算法的慣性權(quán)重w作了相應(yīng)改進(jìn)：若算法陷入“早熟”狀態(tài)，將w設(shè)置為隨算法迭代次數(shù)的增加而減??；反之，將w設(shè)置為固定值；公式如下：

$w=\left\{\begin{array}{cc}0.5,& tag\≤\lim it\\ 1.2-(1.2-0.02)*i/iterNum,& otherwise\end{array}\right.---\left(9\right)$

其中，w為慣性權(quán)重；tag為種群最優(yōu)位置連續(xù)未更新的次數(shù)；limit為判斷算法陷入“早熟”狀態(tài)的閾值；

VGL-PSO算法的具體步驟如下：

1)初始化所有粒子，設(shè)置相關(guān)參數(shù)；

2)計(jì)算和評(píng)價(jià)粒子適應(yīng)值；

3)判斷種群當(dāng)前的進(jìn)化狀態(tài)，若tag≤limit，則視為正常狀態(tài)，轉(zhuǎn)入步驟4)，否則視為“早熟”狀態(tài)，轉(zhuǎn)入步驟5)；

4)采用固定的慣性權(quán)重，利用式(1)和(2)對(duì)粒子速度和位置進(jìn)行更新，同時(shí)更新粒子最優(yōu)位置和全局最優(yōu)位置信息；判斷全局最優(yōu)位置是否有更新，如有更新，設(shè)置tag＝0，否則tag++；轉(zhuǎn)入步驟6)；

5)利用式(4)、(5)、(6)、(7)和(8)對(duì)精英粒子進(jìn)行矢量高斯學(xué)習(xí)；同時(shí)采用式(9)的線性下降慣性權(quán)重和式(1)和(2)對(duì)粒子進(jìn)行更新，同時(shí)更新粒子最優(yōu)位置和全局最優(yōu)位置信息；判斷全局最優(yōu)位置是否有更新，如有更新，設(shè)置tag＝0，否則tag++；轉(zhuǎn)入步驟6)；

6)檢驗(yàn)是否滿足終止條件，若滿足，則停止迭代，輸出全局最優(yōu)位置gBest及其對(duì)應(yīng)的適應(yīng)值，否則轉(zhuǎn)到3)。