一种基于云理论的模拟植物生长优化方法

摘要

本发明涉及基于云理论的改进模拟植物生长优化方法。本发明创造性的对原算法进行了改进，采用了变步长搜索策略和基于云理论的改进思路，使之相比原始算法的优化效率大幅度提高。原算法中搜索步长定为定值，导致初值选取会影响算法效率，故这里采取变步长策略，即根据每轮最优值和基准值的权重关系来改变下一轮步长；另一个改进是在算法中融入云理论，在该算法中，每轮迭代定会有当前最优点产生，此过程可以看作云模型C(E_x,E_n,H_e)中的E_x概念；E_n则代表每轮迭代中搜索新生长点步长，可以反映生长点集的离散程度，也从另一方面体现变步长策略；又由于原算法中上轮迭代产生的生长点形态素浓度在下轮生长中根据环境因素全部重置，具有不确定性和随机性，因而用H_e来描述。

主权项

一种基于云理论的模拟植物生长优化方法，其特征在于，包括以下步骤：步骤1，给出优化变量的初始值，即给出初始基点x⁰，并获取对应的目标函数值f(x⁰)，并令最优解和对应的目标函数初值为X_min＝x⁰和F_min＝f(x⁰)；步骤2，利用正向云模型寻找新生长点，即以初始基点为E_x，按照变步长E_n和精度H_e生成一组正态分布的生长点，计算各点生长素浓度，然后在基点的各个方向依次搜索满足约束条件的生长点；步骤3，获取步骤2中各生长点中生长素浓度，选择生长素浓度最大的点，如果同时该点也大于0，则该点的生长空间最大即目标函数最优，若该点的目标函数值小于F_min则置换F_min及X_min，若该点的目标函数若大于或等于F_min，则保留F_min及X_min；若选择的生长素浓度最大的点，生长素浓度不大于0，表明不再有更优生长点出现，进入步骤4；步骤4，若迭代次数达到规定值，或者连续N轮不再有更优的生长点出现，则执行步骤6，否则执行步骤5；步骤5，选取步骤3中的最优点作为下一轮的生长基点，并执行步骤2；步骤6，输出X_min的值，即为最优解x^*＝X_min，以及最优值f^*＝F_min。