申请/专利权人:东南大学
申请日:2020-06-11
公开(公告)日:2020-11-24
公开(公告)号:CN111985522A
主分类号:G06K9/62(20060101)
分类号:G06K9/62(20060101);G06N3/00(20060101)
优先权:
专利状态码:在审-实质审查的生效
法律状态:2020.12.11#实质审查的生效;2020.11.24#公开
摘要:本发明涉及基于自适应反向学习和降维的蚁群算法设计方法,首先,初始化信息素浓度、解存档,设置蚂蚁数量、最大迭代次数等,再基于模糊理论构造出决策变量相关性矩阵D,并利用多维标度法,将原有的解映射至低维空间,然后使用高斯分布估计算法,在低维空间中搜索得到新解,并将低维空间中获得的新解作逆映射得到高维空间中的解,之后,运行余弦适应性机制,即每次迭代选取一个[0,1]间的随机值,若随机值大于余弦适应性因子则进行反向学习算法,若随机值小于余弦适应性因子,则不进行,以此避免陷入局部最优。最后,将所有新解原来的解存档空间中的解,按照目标函数值由小到大的顺序排序,选取前m个解,作为新解存档。该方案能够提高算法的性能。
主权项:1.一种基于自适应反向学习和降维的蚁群算法设计方法,其特征在于,所述方法包括以下步骤:步骤1.初始化信息素浓度、解存档,设置蚂蚁数量、最大迭代次数;步骤2.设Rn中可行解点构成的解存档X=x1,x2,…,xn,其中n为具体问题的维数,基于模糊理论计算决策变量相关性矩阵D;步骤3.根据决策变量相关性矩阵构造出矩阵B,计算矩阵B的特征值λ1≥λ2≥…≥λp和r个最大特征根λ1≥λ2≥…≥λr≥0对应的单位特征向量;步骤4.根据步骤2得到的特征向量构造出降维后的解存档Y=y1,…,yd,d为低维空间的维数,取值2-5;步骤5.对降维后的解存档Y=Y1,Y2,…,Ym利用高斯分布估计算法搜索得到s个新搜索点Ym+1,Ym+2,…,Ym+s,扩展解存档Y=Y1,Y2,…,Ym,Ym+1,Ym+2,…,Ym+s,并将s个新解逆映射回原空间,此时原高维空间中解为X=X1,X2,…,Xm,Xm+1,Xm+2,…,Xm+s;步骤6.设置余弦适应性机制,每次迭代选取一个[0,1]间的随机值,若大于余弦适应性因子则转入步骤7进行反向学习算法,若小于余弦适应性因子,则转入步骤8;步骤7.对解存档中的解实施反向学习算法,搜索反向解,若反向解优于当前解,则替代当前解;步骤8.将这s条新的解所对应的目标函数值与原来的解存档空间的m个解的目标函数值重新进行由小到大的顺序排序,选取前m个解,作为新的解存档,其中m根据具体问题来选定,取50或者100。
全文数据:
权利要求:
百度查询: 东南大学 基于自适应反向学习和降维的蚁群算法设计方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。