基于改进多元宇宙优化算法的工程优化方法及相关设备

1.本发明涉及数据处理技术领域，尤其涉及一种基于改进多元宇宙优化算法的工程优化方法、系统、终端及计算机可读存储介质。


背景技术：

2.群智能优化算法是模拟各种自然界中生物的群体行为的算法，被广泛应用于各种类型的优化问题。相比传统的梯度算法，群智能优化算法具有更强的适应性和更高的寻优效率。近年来，研究者们陆续提出了许多先进算法，如蝙蝠优化算法(ba)，差分进化算法(de)，飞蛾优化算法(mfo)，鲸鱼优化算法(woa)，粒子群优化算法(pso)，正余弦优化算法(sca)，果蝇优化算法(foa)等。在2014年，还有人提出了多元宇宙优化算法(mvo，multi-verse optimizer)，该算法有简单高效的特点，具有很强的解决最优方案能力，因此被研究者们广泛应用于各种领域。同时，研究者们针对原始mvo算法搜索和开发效率不佳，容易陷入局部最优等问题，提出了许多增强版的mvo算法变体；但是没有一种算法能够适应于所有领域的问题。
3.例如现有的多元宇宙优化算法无法应用到工程优化领域，无法对工程优化模型的多个参数进行优化，无法实现得到制造成本最小的目的。
4.因此，现有技术还有待于改进和发展。


技术实现要素：

5.本发明的主要目的在于提供一种基于改进多元宇宙优化算法的工程优化方法、系统、终端及计算机可读存储介质，旨在解决现有技术中多元宇宙优化算法在领域上适应性弱，无法优化工程参数的问题。
6.为实现上述目的，本发明提供一种基于改进多元宇宙优化算法的工程优化方法，所述基于改进多元宇宙优化算法的工程优化方法包括如下步骤：
7.获取工程参数数据，并将所述工程参数数据输入到预设的工程优化模型；其中，所述预设的工程优化模型通过如下步骤生成：
8.初始化宇宙种群和宇宙个体；
9.计算每个宇宙个体的适应度值；
10.通过分食策略对宇宙个体位置参数进行更新；
11.基于黑洞白洞转移机制更新最优宇宙个体；
12.通过正交学习策略扰动宇宙种群；
13.采用贪婪选择方法替换当前最优宇宙个体；
14.当达到最大迭代次数时，返回最优解，得到改进后的多元宇宙优化算法；
15.基于改进后的多元宇宙优化算法获得预设的工程优化模型；
16.通过所述预设的工程优化模型对所述工程参数数据进行处理，获得制造成本最小的工程造价数据并输出。
17.可选地，所述的基于改进多元宇宙优化算法的工程优化方法，其中，所述通过分食策略对宇宙个体位置参数进行更新，具体包括：
18.分散觅食过程中的位置更新方程如下：
[0019][0020][0021]
其中，表示第i个宇宙个体的第j+1个参数，表示第i个宇宙个体的第j个参数，μ是哈里斯鹰的迁移系数，μ～n(0.5，0.12)，n表示宇宙个数，和表示两个搜索个体，表示任意两个搜索个体之间的距离，n1和n2表示{1，2，...，n}且n1≠n2≠i中的随机整数，p
ij
是逻辑值，用于确定哈里斯鹰是否采用分散觅食策略，公式如下：
[0022][0023]
其中，r5是[0，1]的随机数，ε表示分散因子，随着迭代而非线性减少的参数，定义如下：
[0024][0025]
其中，ε0是常数，且ε0＝0.4，t为迭代次数，t为最大迭代次数。
[0026]
可选地，所述的基于改进多元宇宙优化算法的工程优化方法，其中，所述基于黑洞白洞转移机制更新最优宇宙个体，具体包括：
[0027]
宇宙种群由n个宇宙个体组成，在d维空间中搜索，并将宇宙种群初始化，公式如下：
[0028][0029]
其中，x表示多个宇宙个体组成的宇宙种群，表示第n个宇宙个体的第d个参数，多个参数组成的行向量代表宇宙种群的宇宙个体；
[0030]
在每次迭代中，根据宇宙的膨胀率进行排序，并通过轮盘选择一个白洞，公式如下：
[0031][0032]
其中，xi表示第i个宇宙个体；ni(xi)是第i个宇宙个体的归一化膨胀率，r1是[0，1]中的一个随机数，表示通过轮盘选择机制选择的第k个宇宙的第j个参数；
[0033]
计算虫洞存在概率wep和旅行距离率tdr，公式如下：
[0034][0035][0036]
其中，wep
max
是wep的最大值，wep
min
是wep的最小值，l表示当前迭代次数，l表示最大迭代次数，p定义了迭代过程中的搜索精度；
[0037]
更新宇宙个体的位置并找到最优宇宙个体，公式如下：
[0038][0039]
其中，xj表示迄今为止形成的最优宇宙个体的第j个参数，lbj表示第j个变量的下限，ubj表示第i个变量的上限，r2，r3，r4是[0,1]的随机数。
[0040]
可选地，所述的基于改进多元宇宙优化算法的工程优化方法，其中，所述通过正交学习策略扰动宇宙种群，具体包括：
[0041]
获取正交学习机制中的引导向量ti，ti表示最优解或者构造向量，用于引导搜索个体移动到解向量和引导向量之间，计算候选解vi，公式如下：
[0042][0043]
其中，表示正交操作，mi表示第i个宇宙个体的位置；
[0044]
若vi比mi好，则mi被vi取代，否则，mi保持不变。
[0045]
可选地，所述的基于改进多元宇宙优化算法的工程优化方法，其中，候选解的适应度值为宇宙的膨胀率。
[0046]
可选地，所述的基于改进多元宇宙优化算法的工程优化方法，其中，虫洞存在概率wep在迭代过程中线性增加，旅行距离率tdr在迭代过程中持续减少。
[0047]
可选地，所述的基于改进多元宇宙优化算法的工程优化方法，其中，最大迭代次数的范围为100-100000次。
[0048]
此外，为实现上述目的，本发明还提供一种基于改进多元宇宙优化算法的工程优化系统，其中，所述基于改进多元宇宙优化算法的工程优化系统包括：
[0049]
参数获取输入模块，用于获取工程参数数据，并将所述工程参数数据输入到预设的工程优化模型；
[0050]
工程优化模型生成模块，用于根据改进后的多元宇宙优化算法生成预设的工程优化模型；
[0051]
其中，所述预设的工程优化模型通过如下步骤生成：
[0052]
初始化宇宙种群和宇宙个体；
[0053]
计算每个宇宙个体的适应度值；
[0054]
通过分食策略对宇宙个体位置参数进行更新；
[0055]
基于黑洞白洞转移机制更新最优宇宙个体；
[0056]
通过正交学习策略扰动宇宙种群；
[0057]
采用贪婪选择方法替换当前最优宇宙个体；
[0058]
当达到最大迭代次数时，返回最优解，得到改进后的多元宇宙优化算法；
[0059]
基于改进后的多元宇宙优化算法获得预设的工程优化模型；
[0060]
数据处理输出模块，用于通过所述预设的工程优化模型对所述工程参数数据进行处理，获得制造成本最小的工程造价数据并输出。
[0061]
此外，为实现上述目的，本发明还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于改进多元宇宙优化算法的工程优化程序，所述基于改进多元宇宙优化算法的工程优化程序被所述处理器执行时实现如上所述的基于改进多元宇宙优化算法的工程优化方法的步骤。
[0062]
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于改进多元宇宙优化算法的工程优化程序，所述基于改进多元宇宙优化算法的工程优化程序被处理器执行时实现如上所述的基于改进多元宇宙优化算法的工程优化方法的步骤。
[0063]
本发明中，获取工程参数数据，并将所述工程参数数据输入到预设的工程优化模型；基于改进后的多元宇宙优化算法获得预设的工程优化模型；通过所述预设的工程优化模型对所述工程参数数据进行处理，获得制造成本最小的工程造价数据并输出。本发明采用分散觅食策略对宇宙个体位置参数进行更新以获取更高的收敛精度，并采用正交学习机制对种群位置进行扰动以避免算法陷入局部最优陷阱，提高了多元宇宙优化算法的整体性能，以更好的适用于不同领域的优化问题，从而基于改进后的多元宇宙优化算法获得预设的工程优化模型，并通过预设的工程优化模型对工程参数进行优化。
附图说明
[0064]
图1是本发明基于改进多元宇宙优化算法的工程优化方法的较佳实施例的流程图；
[0065]
图2是本发明基于改进多元宇宙优化算法的工程优化方法的较佳实施例中预设的工程优化模型生成过程的流程图；
[0066]
图3是本发明基于改进多元宇宙优化算法的工程优化方法的较佳实施例中改进多元宇宙算法流程图；
[0067]
图4是本发明基于改进多元宇宙优化算法的工程优化系统的较佳实施例的原理示意图；
[0068]
图5为本发明终端的较佳实施例的运行环境示意图。
具体实施方式
[0069]
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0070]
本发明较佳实施例所述的基于改进多元宇宙优化算法的工程优化方法，如图1所示，所述基于改进多元宇宙优化算法的工程优化方法包括以下步骤：
[0071]
步骤s10、获取工程参数数据，并将所述工程参数数据输入到预设的工程优化模
型。
[0072]
步骤s20、根据改进后的多元宇宙优化算法生成预设的工程优化模型。
[0073]
具体地，如图2所示，所述预设的工程优化模型通过如下步骤生成：
[0074]
步骤s21、初始化宇宙种群和宇宙个体。
[0075]
具体地，每个不同个体都是指问题的不同可行解，群智能算法优化的过程就是个体更新的过程，也叫做搜索的过程。个体不断按照算法的公式进行有序的搜索，那么个体就不断的向全局最优解“靠拢”，也就是不断的接近最优解，直到达到最大搜索次数会停止搜索，这个次数是人为设置的，叫做最大迭代次数。因此，不同的群智能搜索个体的名称不一样，但作用都是一样的。在本发明中搜索个体就是宇宙，而一整个群体(种群)是由多个个体(多个宇宙)构成，例如一般算法的个体数量都是人为设置的30个，种群只有1个。
[0076]
步骤s22、计算每个宇宙个体的适应度值。
[0077]
具体地，适应度值是对算法求出解的评估值，评估值越好，说明得到的解越接近问题的全局最优解，适应度值也就越大。
[0078]
步骤s23、通过分食策略对宇宙个体位置参数进行更新。
[0079]
为解决原始的多元宇宙优化算法(mvo)搜索效率不高的问题，通过引入分散觅食策略对个体位置参数进行精细的更新，以提高全局优化效率。
[0080]
具体地，分散觅食的过程由分散因子ε决定，只有满足分散条件的个体才能进行位置更新操作，分散觅食过程中的位置更新方程如下：
[0081][0082][0083]
其中，表示第i个宇宙个体的第j+1个参数，表示第i个宇宙个体的第j个参数，μ是哈里斯鹰的迁移系数，μ～n(0.5，0.12)，μ的参数设置与默认值一致，n表示宇宙个数，和表示两个搜索个体，表示任意两个搜索个体之间的距离，n1和n2表示{1，2，...，n}且n1≠n2≠i中的随机整数，p
ij
是逻辑值，用于确定哈里斯鹰是否采用分散觅食策略，公式如下：
[0084][0085]
其中，r5是[0，1]的随机数，ε表示分散因子，随着迭代而非线性减少的参数，定义如下：
[0086][0087]
其中，ε0是常数，且ε0＝0.4，t为迭代次数，t为最大迭代次数。
[0088]
分散觅食策略会选择一些个体进行分散操作，其余的个体则保持在原来的位置，这样做的优点是，没有必要让所有的个体都去探索未知区域，从而在增加种群的多样性的同时，保留了对一些区域的开发。因此，早期阶段的ε值比较大，只有一小部分个体进行分散觅食，这些个体有助于提高早期阶段的收敛率，随着ε值的减小，几乎所有的个体都会进行
分散觅食，避免陷入局部最优。
[0089]
步骤s24、基于黑洞白洞转移机制更新最优宇宙个体。
[0090]
最优宇宙个体是通过公式迭代更新得到的，确定最优的方式是每次循环都会通过贪婪选择找出最优解；更新宇宙个体是通过公式对个体的参数进行更新从而宇宙个体得到更新。
[0091]
mvo的核心思想是：算法的模型基于多宇宙理论的三个重要概念，白洞、黑洞和虫洞。白洞是只发射不吸引物质的物体，黑洞吸收宇宙中的一切，虫洞则是作为时间/空间旅行隧道；物体能够通过虫洞在个体宇宙的任何角落进行即时旅行，甚至可以从一个宇宙到另一个宇宙。多个宇宙通过白洞、黑洞和虫洞相互作用，最终会逐渐达到稳定的状态。宇宙被定义为候选解，而候选解的适应度值就是宇宙的膨胀率，mvo算法模型可以简单地分为以下几个步骤进行描述：
[0092]
首先，假设宇宙种群由n个宇宙个体组成，在d维空间中搜索(例如d＝3，表示三维空间)，并将宇宙种群初始化，公式如下：
[0093][0094]
其中，x表示多个宇宙个体组成的宇宙种群，表示第n个宇宙个体的第d个参数，多个参数组成的行向量代表宇宙种群的宇宙个体；为了在白洞和黑洞以及宇宙中的交换物体之间建立一个数学模型，引入了轮盘式选择机制，轮盘式选择机制也称轮盘赌选择法(roulette wheel selection)，在该方法中，各个个体的选择概率和其适应度值成比例，适应度值越大，选中概率也越大；适应度值是对算法求出解的评估值，评估值越好说明，得到的解越接近问题的全局最优解，适应度值也就越大。
[0095]
在每次迭代中，根据宇宙的膨胀率进行排序，并通过轮盘选择一个白洞，公式如下：
[0096][0097]
其中，xi表示第i个宇宙个体；ni(xi)是第i个宇宙个体的归一化膨胀率，r1是[0，1]中的一个随机数，表示通过轮盘选择机制选择的第k个宇宙的第j个参数。
[0098]
虫洞存在概率wep在迭代过程中线性增加，旅行距离率tdr在迭代过程中持续减少，以便在全局最优范围内进行更精确的局部搜索；计算虫洞存在概率wep和旅行距离率tdr，公式如下：
[0099][0100]
[0101]
其中，wep
max
是wep的最大值，wep
min
是wep的最小值，l表示当前迭代次数，l表示最大迭代次数，p定义了迭代过程中的搜索精度，p越高，局部搜索越快，越准确。
[0102]
最后，更新宇宙个体的位置并找到最优宇宙个体，公式如下：
[0103][0104]
其中，xj表示迄今为止形成的最优宇宙个体的第j个参数，lbj表示第j个变量的下限，ubj表示第i个变量的上限，r2，r3，r4是[0,1]的随机数。
[0105]
步骤s25、通过正交学习策略扰动宇宙种群。
[0106]
其中，扰动同样代表更新宇宙个体，不过更新的幅度较小，而且一般更新个体中的几个参数，没有进行大的更新，小幅度的更新叫做扰动，扰动作用是提高种群的多样性，以避免算法陷入局部最优陷阱，也就是防止算法更新停滞不向全局最优解靠拢。
[0107]
正交学习策略(ol)是研究者们用来加强群智能优化算法的探索和开发的经典策略，ol可以合理利用计算成本找到更好的候选解。在ol机制中需要一个引导向量ti，可以是最优解，也可以是构造向量，用于引导搜索个体移动到解向量和引导向量之间。
[0108]
具体地，获取正交学习机制中的引导向量ti，ti表示最优解或者构造向量，用于引导搜索个体移动到解向量和引导向量之间，计算候选解vi，公式如下：
[0109][0110]
其中，表示正交操作，mi表示第i个宇宙个体的位置；
[0111]
若vi比mi好，则mi被vi取代，否则，mi保持不变。
[0112]
ol的概念包含正交阵列(oa)、因子分析(fa)、因子组(fg)、水平划分(ld)。本发明仅采用正交操作更新宇宙位置。
[0113]
正交学习机制基于个体ti与个体mi进行正交操作，产生新的个体vi，此时就完成了个体更新。也就是说更新后个体与更新前的个体，相差越大，搜索的多样性就越高。正交学习机制就是通过正交操作实现了个体的大更新。
[0114]
步骤s26、采用贪婪选择方法替换当前最优宇宙个体。
[0115]
具体地，贪婪选择算法就是在每次循环中，通过对比每个个体的适应度值，选择适应度值最好的个体，因为总是选择当前的循环下的最优解，所以叫做贪婪算法。最优宇宙个体是有多个的，每次循环也就是每次迭代，都会产生一个当前最优宇宙个体(当前最优解)。
[0116]
步骤s27、当达到最大迭代次数时，返回最优解，得到改进后的多元宇宙优化算法。
[0117]
具体地，最大迭代次数就是最大循环次数，与算法中的评估适应度值的次数和个体更新的次数正相关，最大迭代次数是数值，人为设置，例如一般在100-100000次，当达到最大迭代次数时，返回最优解，得到改进后的多元宇宙优化算法(即folmvo，foraging orthogonal multiverse optimization algorithm，觅食正交多元宇宙优化算法)。
[0118]
步骤s28、基于改进后的多元宇宙优化算法获得预设的工程优化模型。
[0119]
步骤s30、通过所述预设的工程优化模型对所述工程参数数据进行处理，获得制造成本最小的工程造价数据并输出。
[0120]
具体地，本发明得到改进后的多元宇宙优化算法(folmvo)后，基于改进后的多元
宇宙优化算法(folmvo)获得工程优化模型的制造成本最小的目标函数，即将folmvo应用于工程优化领域，对工程优化模型的多个参数进行优化，以得到实现这个工程优化模型的制造成本最小的目标函数，实现制造成本最小，即通过所述预设的工程优化模型对所述工程参数数据进行处理，获得制造成本最小的工程造价数据并输出。
[0121]
实际上，要解决优化问题就需要找到问题的最优解，而求解的优化算法分为两种，确定性算法和非确定性算法，群智能优化算法属于非确定性算法，通过迭代搜索只能保证找到可行解，而放眼到整个优化问题中，也就是全局中，可行解一般不是全局最优的解，而是相对来讲当前能找到的最优解，是局部最优解。全局优化的过程就是：通过群智能优化算法有限次的迭代更新让局部最优解无限接近于全局最优解，在这个有限次的全局优化过程中就必须考虑效率的问题。比如，如何在更短的时间内找到更加优秀的解，再比如，如何在相同时间内找到的解的精度更高，即更接近全局最优解；因此，本发明的提高mvo算法的全局优化效率就是提高算法在相同时间内的优化精度，相对的在求解相同问题时算法此算法花费的时间就要少。
[0122]
一般群智能优化算法在求解过程中分为两个阶段：搜索阶段和开发阶段，搜索阶段是发生在求解过程的前期，主要的目的在于尽可能的覆盖全局，使有限个搜索个体在全局的范围内展开搜索，这里需要介绍一下搜索个体，不同的群智能搜索个体的名称不一样，但作用都是一样的，在本发明中搜索个体就是宇宙，而一整个群体(种群)是由多个个体(多元宇宙)构成；一般算法的个体数量都是人为设置的30个。因此，由于群智能算法搜索个体有数量限制，它不像穷举法那样能遍历全局，所以只能尽量的覆盖全局；结合本发明来讲，提高搜索阶段的多样性就是提高前期个体的全局搜索能力，尽可能的在全局范围内搜索最优解，避免陷入局部最优。
[0123]
因此，本发明从群智能算法的特性入手，基于经典的mvo算法结合分散觅食策略和正交学习机制，提出了一种具有更强寻优能力的folmvo算法，其中，分散觅食策略用于个体位置的精细开发，以提高mvo算法的全局优化效率；正交学习机制则对mvo算法前期的种群位置进行扰动，以避免算法陷入局部最优陷阱。
[0124]
进一步地，如图3所示，本发明的多元宇宙优化算法的改进方法整个过程如下(即得到改进后的多元宇宙优化算法的过程)：
[0125]
步骤s101、开始；
[0126]
步骤s102、初始化宇宙种群和宇宙个体；
[0127]
步骤s103、计算每个宇宙个体的适应度值；
[0128]
步骤s104、通过分食策略对宇宙个体位置参数进行更新，以提高全局优化效率；
[0129]
步骤s105、基于黑洞白洞转移机制更新最优宇宙个体；
[0130]
步骤s106、通过正交学习策略扰动宇宙种群，提高种群的多样性，以避免算法陷入局部最优陷阱；
[0131]
步骤s107、采用贪婪选择方法替换当前最优宇宙个体；
[0132]
步骤s108、判断是否达到最大迭代次数，若是则执行步骤s109，若否则执行步骤s103；
[0133]
步骤s109、返回最优解。
[0134]
进一步地，为了验证本改进方法的有效性，将其与其他算法在多个函数上进行了
测试，例如folmvo可应用于工程优化领域的压力容器(pv)设计问题，folmvo对模型的四个参数进行优化，以实现这个工程优化模型的制造成本最小的目标函数；压力容器设计问题中的未知参数为：内半径(r)、封头厚度(th)、壳体厚度(ts)和截面范围减去封头(l)；同时，在优化pv模型的同时，需要满足实施压力容器模型所需的约束条件，pv模型的线性编程方程如下：
[0135]
假设：
[0136]
最小值：
[0137][0138][0139]
其中，分别是基于边界参数x1、x2、x3、x4的约束条件。
[0140]
在本实验中，本发明的folmvo(foraging orthogonal multiverse optimization algorithm，觅食正交多元宇宙优化算法)算法与其他5种算法(其中，ewoa，enhanced whale optimization algorithm，增强型鲸鱼优化算法；ba，bat algorithm，蝙蝠优化算法；his，nonlinear branch and bound algorithm，非线性分支与定界算法；ga，genetic algorithm，遗传算法；cpso，co-evolutionary particle swarm optimization，协同优化粒子群算法)在同一实验环境下进行了比较，如下表所示，folmvo算法对带有增压器的光伏模型的最优解结果是最小的，在本实验中，folmvo算法与其他5种算法在同一实验环境下进行了比较，最后，folmvo算法的结果优于其他算法，能够更有效地解决压力容器设计问题。
[0141][0142]
表：pv设计问题的比较结果
[0143]
根据上表的比较可知，本发明提出的方法不仅可以获得更好的解，而且具有更快的收敛速度。
[0144]
进一步地，如图4所示，基于上述基于改进多元宇宙优化算法的工程优化方法，本发明还相应提供了一种基于改进多元宇宙优化算法的工程优化系统，其中，所述基于改进
多元宇宙优化算法的工程优化系统包括：
[0145]
参数获取输入模块51，用于获取工程参数数据，并将所述工程参数数据输入到预设的工程优化模型；
[0146]
工程优化模型生成模块52，用于根据改进后的多元宇宙优化算法生成预设的工程优化模型；
[0147]
其中，所述预设的工程优化模型通过如下步骤生成：
[0148]
初始化宇宙种群和宇宙个体；
[0149]
计算每个宇宙个体的适应度值；
[0150]
通过分食策略对宇宙个体位置参数进行更新；
[0151]
基于黑洞白洞转移机制更新最优宇宙个体；
[0152]
通过正交学习策略扰动宇宙种群；
[0153]
采用贪婪选择方法替换当前最优宇宙个体；
[0154]
当达到最大迭代次数时，返回最优解，得到改进后的多元宇宙优化算法；
[0155]
基于改进后的多元宇宙优化算法获得预设的工程优化模型；
[0156]
数据处理输出模块53，用于通过所述预设的工程优化模型对所述工程参数数据进行处理，获得制造成本最小的工程造价数据并输出。
[0157]
进一步地，如图5所示，基于上述基于改进多元宇宙优化算法的工程优化方法和系统，本发明还相应提供了一种终端，所述终端包括处理器10、存储器20及显示器30。图5仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
[0158]
所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据，例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有基于改进多元宇宙优化算法的工程优化程序40，该基于改进多元宇宙优化算法的工程优化程序40可被处理器10所执行，从而实现本技术中基于改进多元宇宙优化算法的工程优化方法。
[0159]
所述处理器10在一些实施例中可以是一中央处理器(central processing unit,cpu)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述基于改进多元宇宙优化算法的工程优化方法等。
[0160]
所述显示器30在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过系统总线相互通信。
[0161]
在一实施例中，当处理器10执行所述存储器20中基于改进多元宇宙优化算法的工程优化程序40时实现所述基于改进多元宇宙优化算法的工程优化方法的步骤。
[0162]
本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有
基于改进多元宇宙优化算法的工程优化程序，所述基于改进多元宇宙优化算法的工程优化程序被处理器执行时实现如上所述的基于改进多元宇宙优化算法的工程优化方法的步骤。
[0163]
综上所述，本发明提供一种基于改进多元宇宙优化算法的工程优化方法及相关设备，所述方法包括：获取工程参数数据，并将所述工程参数数据输入到预设的工程优化模型；基于改进后的多元宇宙优化算法获得预设的工程优化模型；通过所述预设的工程优化模型对所述工程参数数据进行处理，获得制造成本最小的工程造价数据并输出。本发明采用分散觅食策略对多元宇宙优化算法更新的后的个体位置进行精细的开发，以获取更高的收敛精度，并采用正交学习机制对多元宇宙优化算法前期的种群位置进行扰动，以避免算法陷入局部最优陷阱，基于改进后的多元宇宙优化算法优化工程优化模型的多个参数，使得制造成本最小，提高了多元宇宙优化算法的整体性能，以更好的适用于不同领域的优化问题，从而基于改进后的多元宇宙优化算法获得预设的工程优化模型，并通过预设的工程优化模型对工程参数进行优化，得到制造成本最小的工程造价数据。
[0164]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
[0165]
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的计算机可读存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
[0166]
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

技术特征：
1.一种基于改进多元宇宙优化算法的工程优化方法，其特征在于，所述基于改进多元宇宙优化算法的工程优化方法包括：获取工程参数数据，并将所述工程参数数据输入到预设的工程优化模型；其中，所述预设的工程优化模型通过如下步骤生成：初始化宇宙种群和宇宙个体；计算每个宇宙个体的适应度值；通过分食策略对宇宙个体位置参数进行更新；基于黑洞白洞转移机制更新最优宇宙个体；通过正交学习策略扰动宇宙种群；采用贪婪选择方法替换当前最优宇宙个体；当达到最大迭代次数时，返回最优解，得到改进后的多元宇宙优化算法；基于改进后的多元宇宙优化算法获得预设的工程优化模型；通过所述预设的工程优化模型对所述工程参数数据进行处理，获得制造成本最小的工程造价数据并输出。2.根据权利要求1所述的基于改进多元宇宙优化算法的工程优化方法，其特征在于，所述通过分食策略对宇宙个体位置参数进行更新，具体包括：分散觅食过程中的位置更新方程如下：分散觅食过程中的位置更新方程如下：其中，表示第i个宇宙个体的第j+1个参数，表示第i个宇宙个体的第j个参数，μ是哈里斯鹰的迁移系数，μ～n(0.5，0.12)，n表示宇宙个数，和表示两个搜索个体，表示任意两个搜索个体之间的距离，n1和n2表示{1，2，...，n}且n1≠n2≠i中的随机整数，是逻辑值，用于确定哈里斯鹰是否采用分散觅食策略，公式如下：其中，r5是[0，1]的随机数，ε表示分散因子，随着迭代而非线性减少的参数，定义如下：其中，ε0是常数，且ε0＝0.4，t为迭代次数，t为最大迭代次数。3.根据权利要求2所述的基于改进多元宇宙优化算法的工程优化方法，其特征在于，所述基于黑洞白洞转移机制更新最优宇宙个体，具体包括：宇宙种群由n个宇宙个体组成，在d维空间中搜索，并将宇宙种群初始化，公式如下：
其中，x表示多个宇宙个体组成的宇宙种群，表示第n个宇宙个体的第d个参数，多个参数组成的行向量代表宇宙种群的宇宙个体；在每次迭代中，根据宇宙的膨胀率进行排序，并通过轮盘选择一个白洞，公式如下：其中，x
i
表示第i个宇宙个体；ni(x
i
)是第i个宇宙个体的归一化膨胀率，r1是[0，1]中的一个随机数，表示通过轮盘选择机制选择的第k个宇宙的第j个参数；计算虫洞存在概率wep和旅行距离率tdr，公式如下：计算虫洞存在概率wep和旅行距离率tdr，公式如下：其中，wep
max
是wep的最大值，wep
min
是wep的最小值，l表示当前迭代次数，l表示最大迭代次数，p定义了迭代过程中的搜索精度；更新宇宙个体的位置并找到最优宇宙个体，公式如下：其中，x
j
表示迄今为止形成的最优宇宙个体的第j个参数，lb
j
表示第j个变量的下限，ub
j
表示第i个变量的上限，r2，r3，r4是[0,1]的随机数。4.根据权利要求3所述的基于改进多元宇宙优化算法的工程优化方法，其特征在于，所述通过正交学习策略扰动宇宙种群，具体包括：获取正交学习机制中的引导向量t
i
，t
i
表示最优解或者构造向量，用于引导搜索个体移动到解向量和引导向量之间，计算候选解v
i
，公式如下：其中，表示正交操作，m
i
表示第i个宇宙个体的位置；若v
i
比m
i
好，则m
i
被v
i
取代，否则，m
i
保持不变。5.根据权利要求3所述的基于改进多元宇宙优化算法的工程优化方法，其特征在于，候选解的适应度值为宇宙的膨胀率。6.根据权利要求3所述的基于改进多元宇宙优化算法的工程优化方法，其特征在于，虫
洞存在概率wep在迭代过程中线性增加，旅行距离率tdr在迭代过程中持续减少。7.根据权利要求1所述的基于改进多元宇宙优化算法的工程优化方法，其特征在于，最大迭代次数的范围为100-100000次。8.一种基于改进多元宇宙优化算法的工程优化系统，其特征在于，所述基于改进多元宇宙优化算法的工程优化系统包括：参数获取输入模块，用于获取工程参数数据，并将所述工程参数数据输入到预设的工程优化模型；工程优化模型生成模块，用于根据改进后的多元宇宙优化算法生成预设的工程优化模型；其中，所述预设的工程优化模型通过如下步骤生成：初始化宇宙种群和宇宙个体；计算每个宇宙个体的适应度值；通过分食策略对宇宙个体位置参数进行更新；基于黑洞白洞转移机制更新最优宇宙个体；通过正交学习策略扰动宇宙种群；采用贪婪选择方法替换当前最优宇宙个体；当达到最大迭代次数时，返回最优解，得到改进后的多元宇宙优化算法；基于改进后的多元宇宙优化算法获得预设的工程优化模型；数据处理输出模块，用于通过所述预设的工程优化模型对所述工程参数数据进行处理，获得制造成本最小的工程造价数据并输出。9.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于改进多元宇宙优化算法的工程优化程序，所述基于改进多元宇宙优化算法的工程优化程序被所述处理器执行时实现如权利要求1-7任一项所述的基于改进多元宇宙优化算法的工程优化方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有基于改进多元宇宙优化算法的工程优化程序，所述基于改进多元宇宙优化算法的工程优化程序被处理器执行时实现如权利要求1-7任一项所述的基于改进多元宇宙优化算法的工程优化方法的步骤。

技术总结
本发明公开了基于改进多元宇宙优化算法的工程优化方法及相关设备，所述方法包括：获取工程参数数据，并将所述工程参数数据输入到预设的工程优化模型；基于改进后的多元宇宙优化算法获得预设的工程优化模型；通过所述预设的工程优化模型对所述工程参数数据进行处理，获得制造成本最小的工程造价数据并输出。本发明采用分散觅食策略对宇宙个体位置参数进行更新以获取更高的收敛精度，并采用正交学习机制对种群位置进行扰动以避免算法陷入局部最优陷阱，提高了多元宇宙优化算法的整体性能，以更好的适用于不同领域的优化问题，从而基于改进后的多元宇宙优化算法获得预设的工程优化模型，并通过预设的工程优化模型对工程参数进行优化。进行优化。进行优化。


技术研发人员：赵东 任丽莉 苏航 亓爱良 杨潇 栗玉鹏
受保护的技术使用者：长春师范大学
技术研发日：2022.06.23
技术公布日：2022/11/1