| 主权项 |
一种多参数多目标混沌粒子群参数寻优方法，其特征在于，该方法按照以下步骤实施：步骤1，确定目标函数和待优化参数确定待优化参数数量为N，待优化目标函数个数ns，针对问题的不同优化目标选取合适的目标函数J<sub>1</sub>，J<sub>2</sub>，…，J<sub>ns</sub>；步骤2，算法初始化初始化粒子种群规模为M，粒子为多维粒子，其维数等于待优化参数数目N，最大迭代次数为k<sub>max</sub>，初始全局最优解集中解的个数j＝0，初始个体历史最优解集中解的个数i<sub>m</sub>＝0，随机初始化全局粒子最优位置Y<sub>g</sub>＝[Y<sub>g1</sub>,…,Y<sub>gN</sub>]，初始化粒子的个体历史最优目标函数J<sub>1max</sub>(m)＝0，J<sub>2max</sub>(m)＝0，…，J<sub>nsmax</sub>(m)＝0，m＝1,2,…,M，针对多个待优化参数，采用单向耦合映像格子时空混沌模型初始化粒子群优化算法的粒子初始位置及初始速度，初始位置表示为X<sub>mn</sub>(0),初始速度表示V<sub>mn</sub>(0)，其中m＝1,2,…,M，n＝1,2,…,N，分别表示为第0次迭代时第m个粒子第n维的位置、飞行速度；所述的单向耦合映像格子时空混沌映射模型为：L<sub>n</sub>(m+1)＝(1‑ε<sub>n</sub>)f[L<sub>n</sub>(m)]+ε<sub>n</sub>f[L<sub>n‑1</sub>(m)]， (1)其中，f[L<sub>n</sub>(m)]为Logistic混沌映射，f[L<sub>n</sub>(m)]＝μL<sub>n</sub>(m)(1‑L<sub>n</sub>(m))，L<sub>n</sub>(m)为状态变量；n为空间格点位置，对应维数；m代表离散时间，对应种群规模；ε<sub>n</sub>为耦合强度，采用时空混沌映射，在优化算法开始阶段，直接生成具有多维解空间均匀分布的初始粒子位置和速度，即选取粒子位置X<sub>mn</sub>(0)＝k<sub>x</sub>*L<sub>n</sub>(m)，V<sub>mn</sub>(0)＝k<sub>v</sub>*L<sub>n</sub>(m+M)，其中k<sub>x</sub>和k<sub>v</sub>分别为比例系数，将混沌时空模型的状态从[0，1]间通过乘以对应的系数转换到对应位置和速度参数取值范围内；步骤3，计算种群中每个个体对应的目标函数的值将当前第k代粒子m,m＝1,…,M，所代表的多维参数X<sub>mn</sub>(k)，n＝1,…,N，代入待优化问题，计算该次迭代中粒子m对应的所有目标函数的值，表示为[J<sub>1</sub>(m,k)，J<sub>2</sub>(m,k)，…，J<sub>ns</sub>(m,k)]；步骤4，更新个体历史最优解对于当前第k代中的第m个粒子，比较其对应的多个目标函数的值与其自身历史最优位置对应的多个目标函数的值，如果该粒子的每个目标函数的值都不劣于该粒子的历史最优位置对应的目标函数的值，那么用该粒子的目标函数的值替换个体历史最好目标函数的值，同时将该粒子位置保存入个体最优集中；步骤5，更新粒子速度和位置；步骤6，更新全局最优解集比较当前种群中所有M个粒子对应的每个目标函数的值，将种群中所有粒子中，任意一个目标函数为最大的粒子保存入Pareto全局最优解集P<sub>g</sub>中，同时该粒子对应的目标函数的值保存入Pareto最优目标函数值集合P<sub>J</sub>中；步骤7，更新全局最优解Y<sub>g</sub>求取Pareto全局最优解集中每个粒子对应的多个目标函数与其解集中各目标函数最大值间的欧式距离，选取欧式距离最小的粒子作为全局最优解；步骤8，结果判断k＝k+1，若达到停止条件，即k＝k<sub>max</sub>，则返回最优粒子Y<sub>g</sub>作为待优化问题的解，同时返回其对应的目标函数的值；否则k＝k+1，返回步骤3重新更新。 |
