本發(fā)明涉及工業(yè)參數(shù)優(yōu)化
技術(shù)領(lǐng)域：
，特別是指一種多參數(shù)優(yōu)化方法。
背景技術(shù)：
：近年來，越來越多的工業(yè)、企業(yè)開始重視大數(shù)據(jù)在優(yōu)化產(chǎn)品性能上的重要之處，例如，使用大數(shù)據(jù)技術(shù)對工業(yè)生產(chǎn)中的工業(yè)參數(shù)進(jìn)行設(shè)置，并進(jìn)行相應(yīng)的優(yōu)化改進(jìn)。然而，由于工業(yè)參數(shù)都存在著數(shù)據(jù)量大，目標(biāo)參數(shù)維度高等問題，決定了工業(yè)參數(shù)優(yōu)化是一個(gè)運(yùn)算時(shí)間和空間都極高的機(jī)器學(xué)習(xí)問題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明要解決的技術(shù)問題是提供一種多參數(shù)優(yōu)化方法，以解決現(xiàn)有技術(shù)所存在的時(shí)間復(fù)雜度和空間復(fù)雜度高的問題。為解決上述技術(shù)問題，本發(fā)明實(shí)施例提供一種多參數(shù)優(yōu)化方法，包括：s1，初始化種群中每個(gè)粒子的位置和迭代次數(shù)，所述粒子處于多維空間中，粒子每個(gè)維度對應(yīng)一個(gè)待求解的參數(shù)；s2，計(jì)算每個(gè)粒子對目標(biāo)函數(shù)的適應(yīng)度值，根據(jù)計(jì)算得到的每個(gè)粒子對目標(biāo)函數(shù)的適應(yīng)度值，更新每個(gè)粒子的歷史最優(yōu)位置和種群的最優(yōu)位置，利用正交算法對每個(gè)粒子的歷史最優(yōu)位置與種群的最優(yōu)位置進(jìn)行正交計(jì)算，得到每個(gè)粒子的學(xué)習(xí)向量，并根據(jù)每個(gè)粒子的位置及學(xué)習(xí)向量確定下一代粒子的位置，迭代次數(shù)加1；s3，判斷是否進(jìn)行反向?qū)W習(xí)，若進(jìn)行反向?qū)W習(xí)，則將每個(gè)粒子反向得到反向粒子，判斷反向粒子對目標(biāo)函數(shù)的適應(yīng)度值是否大于原粒子對目標(biāo)函數(shù)的適應(yīng)度值，若大于原粒子對目標(biāo)函數(shù)的適應(yīng)度值，則利用反向粒子替換原粒子；s4，檢查是否滿足預(yù)設(shè)的迭代結(jié)束條件，若滿足預(yù)設(shè)的迭代結(jié)束條件，則輸出結(jié)果；否則，則返回s2繼續(xù)執(zhí)行。進(jìn)一步地，所述s1包括：s11，對待求解的多參數(shù)進(jìn)行預(yù)處理，根據(jù)預(yù)處理結(jié)果，創(chuàng)建數(shù)學(xué)模型，并根據(jù)創(chuàng)建的數(shù)學(xué)模型，確定目標(biāo)函數(shù)；其中，所述預(yù)處理包括：歸一化處理，所述目標(biāo)函數(shù)用于計(jì)算適應(yīng)度值；s12，在搜索空間中隨機(jī)產(chǎn)生均勻分布的種群，記錄種群中每個(gè)粒子的坐標(biāo)向量，得到種群中每個(gè)粒子的位置；s13，設(shè)置種群粒子的慣性系數(shù)、學(xué)習(xí)向量的學(xué)習(xí)系數(shù)，迭代次數(shù)初始值；s14，設(shè)置迭代結(jié)束條件。進(jìn)一步地，所述s2包括：s21，根據(jù)目標(biāo)函數(shù)計(jì)算每個(gè)粒子的適應(yīng)度值，將計(jì)算得到的適應(yīng)度值與所述粒子的歷史最優(yōu)適應(yīng)度值進(jìn)行比較，若計(jì)算得到的適應(yīng)度值優(yōu)于歷史最優(yōu)適應(yīng)度值，則用所述粒子的位置更新所述粒子的歷史最優(yōu)位置，并用所述粒子的適應(yīng)度值更新所述粒子的歷史最優(yōu)適應(yīng)度值；s22，根據(jù)更新后的每個(gè)粒子的歷史最優(yōu)適應(yīng)度值，獲取適應(yīng)度值最優(yōu)的粒子的位置作為種群的最優(yōu)位置；s23，利用正交算法對每個(gè)粒子的歷史最優(yōu)位置與種群的最優(yōu)位置進(jìn)行正交計(jì)算，得到每個(gè)粒子的學(xué)習(xí)向量；s24，根據(jù)種群粒子的慣性系數(shù)、學(xué)習(xí)向量的學(xué)習(xí)系數(shù)、每個(gè)粒子的當(dāng)前位置及學(xué)習(xí)向量確定下一代粒子的位置；s25，將迭代次數(shù)加1。進(jìn)一步地，所述s23包括：s231，根據(jù)第一公式，計(jì)算當(dāng)前迭代得到的每個(gè)粒子的每一種取值的平均適應(yīng)度值，所示第一公式表示為：其中，n表示第n個(gè)參數(shù)，q表示第q個(gè)取值，m表示第q個(gè)取值出現(xiàn)了m次，fm表示當(dāng)前迭代得到的粒子的對應(yīng)于所述取值的適應(yīng)度值，zmnq表示第q個(gè)取值的數(shù)值；s232，根據(jù)得到的每個(gè)粒子的每一種取值的平均適應(yīng)度值，從每個(gè)粒子的歷史最優(yōu)位置與種群的最優(yōu)位置的每個(gè)維度取值中選取值較優(yōu)的作為相應(yīng)粒子的學(xué)習(xí)向量在相應(yīng)維度的值。進(jìn)一步地，所述s24包括：通過第二公式，確定下一代粒子的位置，所述第二公式表示為：xi+1＝α*xi+β*xlearni其中，α表示種群粒子的慣性系數(shù)，β表示學(xué)習(xí)向量的學(xué)習(xí)系數(shù)，xi表示第i次迭代中粒子的位置，xlearni表示第i個(gè)粒子的學(xué)習(xí)向量，xi+1表示第i+1次迭代中粒子的位置。進(jìn)一步地，所述s3包括：s31，生成一個(gè)隨機(jī)數(shù)，若隨機(jī)數(shù)小于預(yù)設(shè)的第一閾值，則跳過s32，否則，則執(zhí)行s32；s32，將每個(gè)粒子反向得到反向粒子，計(jì)算反向粒子對目標(biāo)函數(shù)的適應(yīng)度值，判斷反向粒子對目標(biāo)函數(shù)的適應(yīng)度值是否大于原粒子對目標(biāo)函數(shù)的適應(yīng)度值，若大于原粒子對目標(biāo)函數(shù)的適應(yīng)度值，則利用反向粒子替換原粒子；若不大于原粒子對目標(biāo)函數(shù)的適應(yīng)度值，則丟棄反向粒子。進(jìn)一步地，所述位置為向量；所述將每個(gè)粒子反向得到反向粒子包括：對粒子位置向量的每一個(gè)維度，取搜索空間在相應(yīng)維度的中點(diǎn)為對稱中心，則反向值為粒子原位置向量在相應(yīng)維度關(guān)于對稱中心的對稱值；將粒子位置向量的每個(gè)維度都取相應(yīng)的對稱值，得到所述粒子位置向量的反向向量；根據(jù)所述粒子位置向量的反向向量，得到反向粒子。進(jìn)一步地，所述方法還包括：若不進(jìn)行反向?qū)W習(xí)，則執(zhí)行s4。進(jìn)一步地，所述s4包括：判斷當(dāng)前次迭代和上一次迭代得到的種群最優(yōu)位置之間的差值是否小于預(yù)設(shè)的第二閾值；若小于預(yù)設(shè)的第二閾值，則輸出當(dāng)前種群最優(yōu)位置作為待求解的多參數(shù)的最優(yōu)解，算法結(jié)束；若不小于預(yù)設(shè)的第二閾值，則返回s2繼續(xù)執(zhí)行。進(jìn)一步地，所述s4還包括：判斷迭代次數(shù)是否達(dá)到預(yù)設(shè)的最大迭代次數(shù)；若達(dá)到預(yù)設(shè)的最大迭代次數(shù)，則算法結(jié)束，求解失敗；若沒有達(dá)到預(yù)設(shè)的最大迭代次數(shù)，則返回s2繼續(xù)執(zhí)行。本發(fā)明的上述技術(shù)方案的有益效果如下：上述方案中，通過正交算法對每個(gè)粒子的歷史最優(yōu)位置與種群的最優(yōu)位置進(jìn)行正交計(jì)算，得到每個(gè)粒子的學(xué)習(xí)向量，并根據(jù)每個(gè)粒子的位置及學(xué)習(xí)向量確定下一代粒子的位置；并通過反向?qū)W習(xí)將每個(gè)粒子反向得到反向粒子，若反向粒子對目標(biāo)函數(shù)的適應(yīng)度值大于原粒子對目標(biāo)函數(shù)的適應(yīng)度值，則利用反向粒子替換原粒子。這樣，通過正交算法可以加快進(jìn)化速度及提高收斂速度，減少迭代的次數(shù)，而反向?qū)W習(xí)可以使迭代不容易陷入局部最優(yōu)解，同時(shí)使用正交算法和反向?qū)W習(xí)能夠加快學(xué)習(xí)效率，降低時(shí)間復(fù)雜度、空間復(fù)雜度。附圖說明圖1為本發(fā)明實(shí)施例提供的多參數(shù)優(yōu)化方法的流程示意圖。具體實(shí)施方式為使本發(fā)明要解決的技術(shù)問題、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖及具體實(shí)施例進(jìn)行詳細(xì)描述。本發(fā)明針對現(xiàn)有的時(shí)間復(fù)雜度和空間復(fù)雜度高的問題，提供一種多參數(shù)優(yōu)化方法。如圖1所示，本發(fā)明實(shí)施例提供的多參數(shù)優(yōu)化方法，包括：s1，初始化種群中每個(gè)粒子的位置和迭代次數(shù)，所述粒子處于多維空間中，粒子每個(gè)維度對應(yīng)一個(gè)待求解的參數(shù)；s2，計(jì)算每個(gè)粒子對目標(biāo)函數(shù)的適應(yīng)度值，根據(jù)計(jì)算得到的每個(gè)粒子對目標(biāo)函數(shù)的適應(yīng)度值，更新每個(gè)粒子的歷史最優(yōu)位置和種群的最優(yōu)位置，利用正交算法對每個(gè)粒子的歷史最優(yōu)位置與種群的最優(yōu)位置進(jìn)行正交計(jì)算，得到每個(gè)粒子的學(xué)習(xí)向量，并根據(jù)每個(gè)粒子的位置及學(xué)習(xí)向量確定下一代粒子的位置，迭代次數(shù)加1；s3，判斷是否進(jìn)行反向?qū)W習(xí)，若進(jìn)行反向?qū)W習(xí)，則將每個(gè)粒子反向得到反向粒子，判斷反向粒子對目標(biāo)函數(shù)的適應(yīng)度值是否大于原粒子對目標(biāo)函數(shù)的適應(yīng)度值，若大于原粒子對目標(biāo)函數(shù)的適應(yīng)度值，則利用反向粒子替換原粒子；s4，檢查是否滿足預(yù)設(shè)的迭代結(jié)束條件，若滿足預(yù)設(shè)的迭代結(jié)束條件，則輸出結(jié)果；否則，則返回s2繼續(xù)執(zhí)行。本發(fā)明實(shí)施例所述的多參數(shù)優(yōu)化方法，通過正交算法對每個(gè)粒子的歷史最優(yōu)位置與種群的最優(yōu)位置進(jìn)行正交計(jì)算，得到每個(gè)粒子的學(xué)習(xí)向量，并根據(jù)每個(gè)粒子的位置及學(xué)習(xí)向量確定下一代粒子的位置；并通過反向?qū)W習(xí)將每個(gè)粒子反向得到反向粒子，若反向粒子對目標(biāo)函數(shù)的適應(yīng)度值大于原粒子對目標(biāo)函數(shù)的適應(yīng)度值，則利用反向粒子替換原粒子。這樣，通過正交算法可以加快進(jìn)化速度及提高收斂速度，減少迭代的次數(shù)，而反向?qū)W習(xí)可以使迭代不容易陷入局部最優(yōu)解，同時(shí)使用正交算法和反向?qū)W習(xí)能夠加快學(xué)習(xí)效率，降低時(shí)間復(fù)雜度、空間復(fù)雜度。本實(shí)施例中，種群中的每個(gè)粒子處于多維空間中，每個(gè)粒子有多個(gè)維度/多維坐標(biāo)，每個(gè)維度/每維坐標(biāo)代表一個(gè)參數(shù)，因此，每個(gè)粒子的位置可以用于表示待求解的多個(gè)參數(shù)。粒子在搜索空間中運(yùn)動(dòng)，在每個(gè)位置都計(jì)算一個(gè)目標(biāo)函數(shù)值，當(dāng)目標(biāo)函數(shù)值達(dá)到最小時(shí)，就是粒子的位置為最優(yōu)解，粒子的多維坐標(biāo)就是待求解的多個(gè)參數(shù)的最優(yōu)解。本實(shí)施例中，搜索空間是指求解過程中粒子的運(yùn)動(dòng)空間，也就是帶求解參數(shù)的可能空間。搜索空間是一個(gè)多維空間，也是最開始粒子初始化時(shí)隨機(jī)分布的空間。在前述多參數(shù)優(yōu)化方法的具體實(shí)施方式中，進(jìn)一步地，所述初始化種群中每個(gè)粒子的位置和迭代次數(shù)(s1)包括：s11，對待求解的多參數(shù)進(jìn)行預(yù)處理，根據(jù)預(yù)處理結(jié)果，創(chuàng)建數(shù)學(xué)模型，并根據(jù)創(chuàng)建的數(shù)學(xué)模型，確定目標(biāo)函數(shù)；其中，所述預(yù)處理包括：歸一化處理，所述目標(biāo)函數(shù)用于計(jì)算適應(yīng)度值；s12，在搜索空間中隨機(jī)產(chǎn)生均勻分布的種群，記錄種群中每個(gè)粒子的坐標(biāo)向量，得到種群中每個(gè)粒子的位置；s13，設(shè)置種群粒子的慣性系數(shù)、學(xué)習(xí)向量的學(xué)習(xí)系數(shù)，迭代次數(shù)初始值；s14，設(shè)置迭代結(jié)束條件。本實(shí)施例中，第一次迭代時(shí)，需對待求解的多個(gè)參數(shù)進(jìn)行歸一化等預(yù)處理操作，并根據(jù)預(yù)處理后的結(jié)果創(chuàng)建數(shù)學(xué)模型，根據(jù)創(chuàng)建的數(shù)學(xué)模型，找到目標(biāo)函數(shù)f，所述目標(biāo)函數(shù)f用于計(jì)算適應(yīng)度值；進(jìn)而，在搜索空間中隨機(jī)產(chǎn)生均勻分布的種群，所述種群也可稱為粒子群，記錄粒子群中每個(gè)粒子的坐標(biāo)向量，得到粒子群中每個(gè)粒子的位置xi，其中，粒子的位置是向量，向量的維度等于待求解的參數(shù)的數(shù)目，粒子群規(guī)模根據(jù)所求參數(shù)的復(fù)雜程度設(shè)置，例如，粒子群規(guī)?？梢栽?0～1000之間；在第一次迭代時(shí)，還需設(shè)置種群粒子的慣性系數(shù)α、學(xué)習(xí)向量的學(xué)習(xí)系數(shù)β，迭代次數(shù)iter初始值(iter＝0)及迭代結(jié)束條件。在前述多參數(shù)優(yōu)化方法的具體實(shí)施方式中，進(jìn)一步地，所述計(jì)算每個(gè)粒子對目標(biāo)函數(shù)的適應(yīng)度值，根據(jù)計(jì)算得到的每個(gè)粒子對目標(biāo)函數(shù)的適應(yīng)度值，更新每個(gè)粒子的歷史最優(yōu)位置和種群的最優(yōu)位置，利用正交算法對每個(gè)粒子的歷史最優(yōu)位置與種群的最優(yōu)位置進(jìn)行正交計(jì)算，得到每個(gè)粒子的學(xué)習(xí)向量，并根據(jù)每個(gè)粒子的位置及學(xué)習(xí)向量確定下一代粒子的位置，迭代次數(shù)加1(s2)包括：s21，根據(jù)目標(biāo)函數(shù)計(jì)算每個(gè)粒子的適應(yīng)度值，將計(jì)算得到的適應(yīng)度值與所述粒子的歷史最優(yōu)適應(yīng)度值進(jìn)行比較，若計(jì)算得到的適應(yīng)度值優(yōu)于歷史最優(yōu)適應(yīng)度值，則用所述粒子的位置更新所述粒子的歷史最優(yōu)位置，并用所述粒子的適應(yīng)度值更新所述粒子的歷史最優(yōu)適應(yīng)度值；s22，根據(jù)更新后的每個(gè)粒子的歷史最優(yōu)適應(yīng)度值，獲取適應(yīng)度值最優(yōu)的粒子的位置作為種群的最優(yōu)位置；s23，利用正交算法對每個(gè)粒子的歷史最優(yōu)位置與種群的最優(yōu)位置進(jìn)行正交計(jì)算，得到每個(gè)粒子的學(xué)習(xí)向量；s24，根據(jù)種群粒子的慣性系數(shù)、學(xué)習(xí)向量的學(xué)習(xí)系數(shù)、每個(gè)粒子的當(dāng)前位置及學(xué)習(xí)向量確定下一代粒子的位置；s25，將迭代次數(shù)加1。本實(shí)施例中，在第g次迭代時(shí)，首選根據(jù)目標(biāo)函數(shù)f計(jì)算每個(gè)粒子的適應(yīng)度值pfit，將計(jì)算得到的當(dāng)前適應(yīng)度值pfit與所述粒子的歷史最優(yōu)適應(yīng)度值進(jìn)行比較，若所述粒子的當(dāng)前適應(yīng)度值pfit優(yōu)于歷史最優(yōu)適應(yīng)度值，則用所述粒子的當(dāng)前位置更新所述粒子的歷史最優(yōu)位置pbest，并用所述粒子的當(dāng)前適應(yīng)度值pfit更新所述粒子的歷史最優(yōu)適應(yīng)度值；按照更新后的每個(gè)粒子的歷史最優(yōu)適應(yīng)度值對所有粒子的歷史最優(yōu)位置進(jìn)行排序，獲取適應(yīng)度值最優(yōu)的粒子的位置作為種群的最優(yōu)位置gbest，其中，適應(yīng)度值越小越優(yōu)；利用正交算法對每個(gè)粒子的歷史最優(yōu)位置pbest與種群的最優(yōu)位置gbest進(jìn)行正交計(jì)算，得到每個(gè)粒子的學(xué)習(xí)向量xlearni；根據(jù)種群粒子的慣性系數(shù)、學(xué)習(xí)向量的學(xué)習(xí)系數(shù)、每個(gè)粒子的當(dāng)前位置及學(xué)習(xí)向量確定下一代粒子的位置，每次更新子代都會(huì)替換原來的粒子；并將迭代次數(shù)iter加1。本實(shí)施例中，歷史最優(yōu)位置pbest與種群的最優(yōu)位置gbest都是向量，每個(gè)向量都有多個(gè)維度，每個(gè)維度表示一個(gè)參數(shù)，且每個(gè)維度上有多個(gè)取值。在前述多參數(shù)優(yōu)化方法的具體實(shí)施方式中，進(jìn)一步地，所述利用正交算法對每個(gè)粒子的歷史最優(yōu)位置與種群的最優(yōu)位置進(jìn)行正交計(jì)算，得到每個(gè)粒子的學(xué)習(xí)向量(s23)包括：s231，因?yàn)槊總€(gè)維度上有多個(gè)取值，可以根據(jù)第一公式，計(jì)算當(dāng)前迭代得到的每個(gè)粒子的每一種取值的平均適應(yīng)度值，所示第一公式表示為：其中，n表示第n個(gè)參數(shù)，q表示第q個(gè)取值，m表示第q個(gè)取值出現(xiàn)了m次，fm表示當(dāng)前迭代得到的粒子的對應(yīng)于所述取值的適應(yīng)度值，zmnq表示第q個(gè)取值的數(shù)值；s232，根據(jù)得到的每個(gè)粒子的每一種取值的平均適應(yīng)度值，從每個(gè)粒子的歷史最優(yōu)位置與種群的最優(yōu)位置的每個(gè)維度取值中選取值較優(yōu)的作為相應(yīng)粒子的學(xué)習(xí)向量在相應(yīng)維度的值。本實(shí)施例中，帶求解的參數(shù)以鋼鐵軋制的控制參數(shù)為例，對正交算法進(jìn)行舉例說明：假設(shè)，鋼鐵軋制的控制參數(shù)包括：溫度和壓力，其中，溫度和壓力的數(shù)值組成一個(gè)二維向量，就是粒子的位置坐標(biāo)；例如：溫度可以有100℃，200℃，300℃；壓力有100n，200n。這樣兩兩有6種組合，并根據(jù)目標(biāo)函數(shù)計(jì)算每個(gè)粒子的適應(yīng)度值，得到6個(gè)適應(yīng)度值，如表1所示：表1適應(yīng)度值溫度壓力適應(yīng)度值(越小越優(yōu))100℃100n10100℃200n14200℃100n16200℃200n26300℃100n22300℃200n24計(jì)算正交時(shí)，對溫度這個(gè)參數(shù)，需要分別計(jì)算100℃，200℃，300℃的適應(yīng)度平均值。100℃平均適應(yīng)度值為(10+14)/2＝12；200℃平均適應(yīng)度值為(16+26)/2＝21；300℃平均適應(yīng)度值為(22+24)/2＝23；100n平均適應(yīng)度值為(10+16+22)/3＝16；200n平均適應(yīng)度值為(14+26+24)/3＝18；接著，對得到的每個(gè)粒子的每一種取值的平均適應(yīng)度值進(jìn)行排序，平均適應(yīng)度值越小越優(yōu)，則可知對溫度參數(shù)而言，溫度值越小越優(yōu)；對壓力而言，壓力值越小越優(yōu)；根據(jù)得到的每個(gè)粒子的每一種取值的平均適應(yīng)度值，從每個(gè)粒子的歷史最優(yōu)位置與種群的最優(yōu)位置的每個(gè)維度取值中選取值較優(yōu)的作為相應(yīng)粒子的學(xué)習(xí)向量在相應(yīng)維度的值，從而得到當(dāng)前迭代每個(gè)粒子的學(xué)習(xí)向量，進(jìn)而可以根據(jù)得到的每個(gè)粒子的學(xué)習(xí)向量指導(dǎo)相應(yīng)粒子的下一次飛行；本實(shí)施例中，假設(shè)粒子1的歷史最優(yōu)位置是(300℃，100n)；粒子2的歷史最優(yōu)位置是(100℃，300n)；種群的最優(yōu)位置是(200℃，200n)；則選擇學(xué)習(xí)向量時(shí)，溫度上粒子1選擇全局的，壓力選自身歷史的，組成的粒子1的學(xué)習(xí)向量就是(200℃，100n)；同理，粒子2的學(xué)習(xí)向量就是(100℃，200n)。在前述多參數(shù)優(yōu)化方法的具體實(shí)施方式中，進(jìn)一步地，所述根據(jù)種群粒子的慣性系數(shù)、學(xué)習(xí)向量的學(xué)習(xí)系數(shù)、每個(gè)粒子的當(dāng)前位置及學(xué)習(xí)向量確定下一代粒子的位置(s24)包括：通過第二公式，確定下一代粒子的位置，所述第二公式表示為：xi+1＝α*xi+β*xlearni其中，α表示種群粒子的慣性系數(shù)，β表示學(xué)習(xí)向量的學(xué)習(xí)系數(shù)，xi表示第i次迭代中粒子的位置，xlearni表示第i個(gè)粒子的學(xué)習(xí)向量，xi+1表示第i+1次迭代中粒子的位置。在前述多參數(shù)優(yōu)化方法的具體實(shí)施方式中，進(jìn)一步地，所述判斷是否進(jìn)行反向?qū)W習(xí)，若進(jìn)行反向?qū)W習(xí)，則將每個(gè)粒子反向得到反向粒子，判斷反向粒子對目標(biāo)函數(shù)的適應(yīng)度值是否大于原粒子對目標(biāo)函數(shù)的適應(yīng)度值，若大于原粒子對目標(biāo)函數(shù)的適應(yīng)度值，則利用反向粒子替換原粒子(s3)包括：s31，生成一個(gè)隨機(jī)數(shù)，若隨機(jī)數(shù)小于預(yù)設(shè)的第一閾值，則跳過s32，否則，則執(zhí)行s32；s32，將每個(gè)粒子反向得到反向粒子，計(jì)算反向粒子對目標(biāo)函數(shù)的適應(yīng)度值，判斷反向粒子對目標(biāo)函數(shù)的適應(yīng)度值是否大于原粒子對目標(biāo)函數(shù)的適應(yīng)度值，若大于原粒子對目標(biāo)函數(shù)的適應(yīng)度值，則利用反向粒子替換原粒子；若不大于原粒子對目標(biāo)函數(shù)的適應(yīng)度值，則丟棄反向粒子。本實(shí)施例中，例如，可以生成一個(gè)隨機(jī)取值為(0,1)的隨機(jī)數(shù)randiter，并假設(shè)所述預(yù)設(shè)的第一閾值為0.3，即：若隨機(jī)數(shù)randiter<0.3，則跳過步驟32，否則執(zhí)行步驟32。本實(shí)施例中，在執(zhí)行步驟32時(shí)，每個(gè)粒子反向得到反向粒子preverse，計(jì)算反向粒子preverse對目標(biāo)函數(shù)f的適應(yīng)度值p′fit，判斷反向粒子preverse對目標(biāo)函數(shù)f的適應(yīng)度值p′fit是否大于原粒子(反向之前的該粒子)對目標(biāo)函數(shù)f的適應(yīng)度值pfit，若大于原粒子對目標(biāo)函數(shù)f的適應(yīng)度值pfit，則利用反向粒子preverse替換原粒子；若不大于原粒子對目標(biāo)函數(shù)f的適應(yīng)度值pfit，則丟棄反向粒子preverse。本實(shí)施例中，粒子的屬性有空間位置和速度矢量，所以替換粒子就是更新這兩個(gè)屬性的值。由于反向?qū)W習(xí)不是一次獨(dú)立的迭代(因?yàn)椋翰皇敲總€(gè)粒子都會(huì)進(jìn)行反向?qū)W習(xí)，只有當(dāng)生成的隨機(jī)數(shù)小于預(yù)設(shè)的第一閾值時(shí)，相應(yīng)的粒子才會(huì)進(jìn)行反向?qū)W習(xí))，所以粒子的下標(biāo)不變，就相當(dāng)于是把原粒子替換掉了，原粒子被替換后：位置就是反向后的反向粒子preverse的位置，速度變成0。在前述多參數(shù)優(yōu)化方法的具體實(shí)施方式中，進(jìn)一步地，所述位置為向量；所述將每個(gè)粒子反向得到反向粒子包括：對粒子位置向量的每一個(gè)維度，取搜索空間在相應(yīng)維度的中點(diǎn)為對稱中心，則反向值為粒子原位置向量在相應(yīng)維度關(guān)于對稱中心的對稱值；將粒子位置向量的每個(gè)維度都取相應(yīng)的對稱值，得到所述粒子位置向量的反向向量；根據(jù)所述粒子位置向量的反向向量，得到反向粒子。本實(shí)施例中，用xi表示第i個(gè)粒子的位置，粒子位置xi是向量，對第i個(gè)粒子位置向量xi的每一個(gè)維度，取搜索空間在相應(yīng)維度的中點(diǎn)為對稱中心，則反向值為粒子原位置向量xi在相應(yīng)維度關(guān)于對稱中心的對稱值，將粒子的位置向量xi每個(gè)維度都取相應(yīng)的對稱值，則得到所述粒子的位置向量xi的反向向量xireverse；根據(jù)反向向量xireverse，得到反向粒子preverse。在前述多參數(shù)優(yōu)化方法的具體實(shí)施方式中，進(jìn)一步地，所述方法還包括：若不進(jìn)行反向?qū)W習(xí)，則執(zhí)行s4。在前述多參數(shù)優(yōu)化方法的具體實(shí)施方式中，進(jìn)一步地，所述檢查是否滿足預(yù)設(shè)的迭代結(jié)束條件，若滿足預(yù)設(shè)的迭代結(jié)束條件，則輸出結(jié)果；否則，則返回s2繼續(xù)執(zhí)行(s4)包括：判斷當(dāng)前次迭代和上一次迭代得到的種群最優(yōu)位置之間的差值是否小于預(yù)設(shè)的第二閾值；若小于預(yù)設(shè)的第二閾值，則輸出當(dāng)前種群最優(yōu)位置作為待求解的多參數(shù)的最優(yōu)解，算法結(jié)束；若不小于預(yù)設(shè)的第二閾值，則返回s2繼續(xù)執(zhí)行。本實(shí)施例中，檢查最后兩次(當(dāng)前次迭代和上一次迭代)迭代得到的種群最優(yōu)位置gbest之間的差值，若差值小于預(yù)設(shè)的第二閾值，例如，所述預(yù)設(shè)的第二閾值為10-6，則停止迭代，輸出當(dāng)前種群最優(yōu)位置gbest作為待求解的多參數(shù)的最優(yōu)解，算法結(jié)束；若差值不小于預(yù)設(shè)的第二閾值，則返回s2繼續(xù)執(zhí)行。在前述多參數(shù)優(yōu)化方法的具體實(shí)施方式中，進(jìn)一步地，所述檢查是否滿足預(yù)設(shè)的迭代結(jié)束條件，若滿足預(yù)設(shè)的迭代結(jié)束條件，則輸出結(jié)果；否則，則返回s2繼續(xù)執(zhí)行(s4)還包括：判斷迭代次數(shù)是否達(dá)到預(yù)設(shè)的最大迭代次數(shù)；若達(dá)到預(yù)設(shè)的最大迭代次數(shù)，則算法結(jié)束，求解失??；若沒有達(dá)到預(yù)設(shè)的最大迭代次數(shù)，則返回s2繼續(xù)執(zhí)行。需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。以上所述是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明所述原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。當(dāng)前第1頁12