：本发明属于群体智能优化算法领域，具体涉及一种基于翠鸟优化算法实现工程优化的方法。
背景技术
0、
背景技术：
1、有多个可行解的问题被称为优化问题，在这些现有解中求得最优解的过程称为优化。用决策变量、约束条件和目标函数三个主要部分来描述优化问题。随着科学技术的进步，优化问题变得越来越复杂，出现了新的优化问题，必须使用合适的优化工具来解决这些问题。使用随机算子、试错过程以及随机扫描问题解决空间的元启发式算法能够产生有效的优化问题的解决方案。概念简单，易于实现，不需要推导过程，高维问题的效率，非线性和非凸环境的效率是导致元启发式算法普及和广泛使用的一些优点。
2、元启发式算法的优化过程是在问题空间中初始化一定数量的随机可行解。然后，在基于重复的过程中，根据算法指令更新和改进候选值。算法完全实现后，在候选解中引入最优解作为问题的解。关于元启发式算法得到的解的重要问题是，不能保证这些解一定是全局最优解，这是由于在这种类型的优化方法中随即搜索的性质。然而，由于这些解与原解接近，因此它们可以被接受为准最优解。在非常相似的问题上，元启发式算法性能差异的主要原因是搜索和更新候选解的过程不同，这也导致了许多优化算法的设计和开发。
技术实现思路
0、
技术实现要素：
1、nfl定理指出，一个算法在处理一组优化问题时的强大性能并不能保证在处理其他优化问题时具有相同的性能。因此，声称某一种算法在所有优化应用中效果最好是错误的。nfl定理激励作者设计更新的算法来找到优化问题的更好的解决方案。本发明的新颖和创新之处在于引入和设计了一种新的优化算法——翠鸟优化算法(kingfisheroptimization algorithm，koa)，翠鸟优化算法(koa)用于模拟自然中翠鸟的活动。翠鸟躲避狩猎者攻击时的机制以及翠鸟狩猎时的机制是翠鸟的两种自然行为，它们是koa设计的基本灵感。
2、该算法在处理优化问题中具有应用价值，本发明提供一种基于翠鸟优化算法实现工程优化的方法，包括如下步骤：
3、s1、针对待优化的工程问题，确定优化参数，分别对应于xn,m；其中，n表示翠鸟的数量，m表示决策变量的个数；
4、s2、模拟翠鸟在面对和逃离捕食者以及翠鸟在进行狩猎时的行为提出翠鸟优化算法即koa算法，包括如下子步骤：
5、步骤1:在koa算法实现开始时，个体在搜索空间中的位置使用如下公式进行随机初始化：
6、xi:xi,j＝lbj+r·(ubj-lbj),i＝1,2,…,n；j＝1,2,…,m；
7、其中xi代表第i个个体在搜索空间中的位置，xi,j代表第j个决策变量的值，r是区间[0,1]内的随机实数,ubj和lbj分别代表第j个决策变量的上界和下界；koa算法中的个体种群用下面的矩阵x在数学上表示，称为种群矩阵；
8、
9、步骤2：设置适应度函数，计算种群个体适应度值，得出初始化种群最优解，开始进入迭代过程；
10、步骤3：在勘探阶段中，在搜索空间中更新个体种群分为两个部分；在第一部分中的位置迭代公式如下所示：
11、
12、d(x(i))＝ax(i)×f(x(i))
13、d(x(rand))＝ax(rand)×f(x(rand))
14、a表示[0,1]之间的随机数，x(i)*表示当前迭代轮次中的最优解，maxiter表示最大迭代次数，d(x(i))和d(x(rand))分别表示当前个体以及种群中随机一个随机个体的运动方向,f(x(i))表示当前个体的适应度函数；
15、步骤4：在勘探阶段中，在搜索空间中剩余部分个体的位置迭代公式如下所示：
16、
17、其中x(i)*表示当前迭代轮次中的最优解，p表示[0,1]之间的随机数；
18、步骤5：如果每一轮迭代后个体的新位置提高了目标函数的值，那么此时认为该轮迭代是有效的，则更新过程可以接受，否则，个体将保持在以前的位置；
19、步骤6：当种群完成勘探阶段后，个体开始在搜索空间中执行开发阶段的位置更新策略，位置更新策略如下所示：
20、
21、c,p表示[0,1]之间的随机数，l为所定义的对数螺旋形状常数，l的值由2线性递减至0，x(i)*表示当前迭代轮次中的最优解；
22、步骤7：如果新一轮迭代后个体的位置提高了目标函数的值，那么此时认为该轮迭代是有效的，则再次执行贪心策略，用新位置代替原有的位置，否则，个体将保持在以前的位置；
23、步骤8:若迭代次数小于最大迭代次数，则将得到的最优解带入步骤3，继续进入下一轮迭代；
24、步骤9：若迭代次数等于最大迭代次数，优化结束，输出全局最优解。
25、优选地，待优化的问题为基于翠鸟优化算法的压力容器设计问题，设计压力容器的目标是使压力容器制作成本最低，压力容器的两端都由封盖封住，头部一端的封盖为半球状；l是不考虑头部的圆柱体部分的截面长度，r是圆柱体的内壁半径，ts和th分别表示圆柱体的壁厚和头部的壁厚，l、r、ts、th即为压力容器设计问题的4个优化变量，该问题的目标函数为：
26、
27、优选地，待优化的问题为基于翠鸟优化算法的三杆桁架设计问题，在该问题中，变量x1,x2,和x3分别为三个杆的横截面积，又由对称性可知x1＝x3；三杆桁架设计的目的描述为：通过调整横截面积(x1,x2)使三杆桁架的体积最小；该三杆桁架在每个桁架的构件上均受到应力σ的约束,该问题的目标函数为：
28、
29、优选地，待优化的问题为基于翠鸟优化算法的机器学习模型优化问题，设计机器学习模型的最优参数的目标是使模型的损失函数最小，lstm模型的参数包括神经网络层数layer，神经元个数num，学习率n；目标函数为lstm模型的损失函数最小化，选择mae作为lstm模型的损失函数,min(loss)作为目标函数。
30、优选地，待优化的问题为基于翠鸟优化算法的拉压弹簧设计问题，设计拉压弹簧的目的是在满足最小挠度、振动频率和剪应力这三者的约束下，使拉压弹簧的重量最小；拉压弹簧设计问题由3个连续的决策变量组成，即弹簧线圈直径x1、弹簧簧圈直径x2、绕线圈数x3，拉压弹簧设计问题的目标函数表示为：
31、minf(x)＝(x3+2)x2x12。
32、优选地，步骤5和步骤7中的过程用下列公式模拟：
33、
34、优选地，步骤3-4中，在勘探阶段，个体的位置更新方式分为两种方式，一部分根据当前个体以及种群中随机个体的运动方向进行位置更新，另一部分则根据当前迭代轮次中的最优解以及与随机个体位置之间的关系进行位置更新。
35、优选地，步骤6中，在开发阶段，个体的位置更新方式分为两种方式，一部分以螺旋运动的方式进行位置更新，另一部分则以线性运动的方式进行位置更新。
36、有益效果：本发明建立了基于逃跑策略模拟的两阶段勘探和基于狩猎机制的开发阶段的数学模型。将算法应用到基准测试函数和工程优化问题实例中，实验结果表明，koa算法搜索能力强，收敛精度高，收敛速度快，且面对实际工程优化问题效果良好，这是因为该算法在勘探阶段提出了一种新的位置更新策略，该策略充分考虑随机个体位置对下一轮迭代结果的影响，避免了该算法陷入局部最优，在开发阶段，该算法充分考虑当前迭代轮次中最优解的重要性，提升了算法整体的收敛能力。
1.一种基于翠鸟优化算法实现工程优化的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于翠鸟优化算法实现工程优化的方法，其特征在于，待优化的问题为基于翠鸟优化算法的压力容器设计问题，设计压力容器的目标是使压力容器制作成本最低，压力容器的两端都由封盖封住，头部一端的封盖为半球状；l是不考虑头部的圆柱体部分的截面长度，r是圆柱体的内壁半径，ts和th分别表示圆柱体的壁厚和头部的壁厚，l、r、ts、th即为压力容器设计问题的4个优化变量，该问题的目标函数为：
3.根据权利要求1所述的一种基于翠鸟优化算法实现工程优化的方法，其特征在于，待优化的问题为基于翠鸟优化算法的三杆桁架设计问题，在该问题中，变量x1,x2,和x3分别为三个杆的横截面积，又由对称性可知x1＝x3；三杆桁架设计的目的描述为：通过调整横截面积(x1,x2)使三杆桁架的体积最小；该三杆桁架在每个桁架的构件上均受到应力σ的约束,该问题的目标函数为：
4.根据权利要求1所述的一种基于翠鸟优化算法实现工程优化的方法，其特征在于，待优化的问题为基于翠鸟优化算法的机器学习模型优化问题，设计机器学习模型的最优参数的目标是使模型的损失函数最小，lstm模型的参数包括神经网络层数layer，神经元个数num，学习率n；目标函数为lstm模型的损失函数最小化，选择mae作为lstm模型的损失函数,min(loss)作为目标函数。
5.根据权利要求1所述的一种基于翠鸟优化算法实现工程优化的方法，其特征在于，待优化的问题为基于翠鸟优化算法的拉压弹簧设计问题，设计拉压弹簧的目的是在满足最小挠度、振动频率和剪应力这三者的约束下，使拉压弹簧的重量最小；拉压弹簧设计问题由3个连续的决策变量组成，即弹簧线圈直径x1、弹簧簧圈直径x2、绕线圈数x3，拉压弹簧设计问题的目标函数表示为：
6.根据权利要求1所述的一种基于翠鸟优化算法实现工程优化的方法，其特征在于，步骤5和步骤7中的过程用下列公式模拟：
7.根据权利要求1所述的一种基于翠鸟优化算法实现工程优化的方法，其特征在于，步骤3-4中，在勘探阶段，个体的位置更新方式分为两种方式，一部分根据当前个体以及种群中随机个体的运动方向进行位置更新，另一部分则根据当前迭代轮次中的最优解以及与随机个体位置之间的关系进行位置更新。
8.根据权利要求1所述的一种基于翠鸟优化算法实现工程优化的方法，其特征在于，步骤6中，在开发阶段，个体的位置更新方式分为两种方式，一部分以螺旋运动的方式进行位置更新，另一部分则以线性运动的方式进行位置更新。
