文摘

GPS定位数据的预测可以有效地缓解城市交通,人口流动,路线规划等。它具有非常重要的研究意义。使用群集智能优化算法来预测地理位置具有重要的研究策略。花授粉算法(FPA)是一种新的群智能优化算法(SIOA)和容易实现和其他特征;越来越多的学者们不断改进并应用更多的字段。针对这一事实FPA导致异花授粉的局部最优值,提出了混沌映射策略优化相关问题,人口自花受粉过程中不够丰富。改进的花授粉算法具有更好的测试函数收敛和地理位置优势预测效果。

1。介绍

SIOA领域的一个热门话题算法近年来研究。因为这样的算法是在日常生活和生产的启发,简单,容易理解,容易操作和实现的算法,算法的更精确的测试结果,和良好的稳定性。因此,这两种算法的改进研究内容和算法结构和探索算法实际应用领域广泛发展。例如,2010年,王等。1)提出了一种改进的粒子群优化算法(PSO)求解约束问题。崔和他(2)提出了一个精英反向学习策略,花授粉算法,并应用它来解决工程优化问题。阿里(3)提出了一个基于PSO的自适应算法来解决工程实例。陈等人。4)在2018年提出了一种自适应遗传算法,该算法适用于解决函数优化问题,等等。许多学者研究了智能算法的应用工程优化问题。

遗传算法(5)是一种智能算法,它使用生物遗传规则选择方法,可以优化的代代相传。果蝇优化算法(DOA) [6)是对果蝇的飞行觅食行为的一种模仿,灰狼优化算法(拥有)7)是一个模仿狼群的分工和合作捕食行为,鲸鱼优化算法(WOA) [8座头鲸群)是一个模拟的合作捕食和竞争,和蛾灭火优化算法9蛾)是一个模拟的定位和运动性质根据光源。平安险(10)是一种群体智能算法由剑桥学者杨在2012年通过观察和模拟植物花的授粉的行为。该算法主要由模拟搜索优化异花授粉,授粉过程中自花受粉。Abdel-Raouf [11结合粒子群优化(PSO),也有类似的性能平安险,优化FPA的初始解。初始解的质量的改善提高了算法的性能,包括优化精度和收敛速度。Chakraborty et al。12)提出了微分进化平安险。结合与平安险DE算法的优点。

2。基本平安险

开花植物的授粉过程本质上可以分为两种类型根据不同花粉运营商:自花受粉基于风介质和水介质和异花授粉昆虫媒介和鸟的媒介。自花受粉指不同花朵授粉的植物个体,而异花授粉是指同一植物的不同个体之间授粉花。自花受粉不同授粉花相同的植物个体,花粉的运动范围很小,这是抽象成花授粉算法,即。,本地搜索小搜索范围。异花授粉需要昆虫或鸟向量携带花粉授粉,而这些昆虫和鸟类传粉者通常使用征收飞行机制。利维飞行是一种特殊的随机游走。飞的个人移动在一个小范围有很大概率和随机跳跃到另一个范围远有一个小概率的随机移动。因为征收飞行可以移动大步骤,异花授粉抽象成花授粉算法,这是一个全球搜索,搜索范围。

在实践中,大多数植物有许多花,每个包含成千上万的花粉。为了简化研究,假设每个花只有一个花,产生一个花粉、有一个为每个花粉优化计划。根据上述原则,花授粉过程抽象为以下模型:步骤1:进行异花授粉昆虫和鸟类携带花粉通过征税,这是一个全球授粉过程步骤2:特性是一个当地授粉过程通过自然因素步骤3:花的授粉花的一个属性步骤4:之间的跃迁概率转换的局部优化和全局优化概率P控制算法

2.1。异花授粉的平安险

在平安险,异花授粉的行为对应全球搜索和花粉个人的位置在t迭代是由 ;然后,在 迭代,位置个人显示为异花授粉的花粉 在哪里F比例系数和吗最优个体。昆虫和鸟类的运动比较随机,与小距离在大多数情况下,偶尔很长的距离。距离运动,为了模拟这种运动规则,利维飞行策略介绍了全球搜索和利维飞行随机数作为比例因子,即 在哪里l征收随机数服从分布,其表达式显示为 在哪里 , 是标准伽马函数,年代是移动的步长。 ,和 意味着随机变量U遵循数学期望的0。是高斯正态分布。方差公式如下: 给出一个值和一个常数。例如,当 ,γ函数 , ;然后,

花授粉算法,自花受粉行为对应于本地搜索。这个职位X个人可以表示为自花传粉的花粉 在哪里 , 和 ,分别代表两个人不同在人口。自花受粉模拟在一个有限的地区。

花的授粉行为在该地区,花粉的个人移动很短的距离内。理论上,当地授粉和全球授粉可以在花授粉发生随机活动。

没有限制授粉。然而,事实是,邻近花更容易接受来自当地授粉花比遥远。通过模仿这个功能和设置转换概率p,它可以有效地用于全球和地方之间的转换。初步研究表明,大部分的参数 在应用程序可能更有效。

2.2。平安险流

最小化问题,平安险的具体流程如下:步骤1(初始化算法参数):花数,即。、人口数量、n、转换概率p,和健身价值函数f。该算法,迭代次数的上限T_马克斯或目标精度 。步骤2:初始化人口,计算人口,所有个人的健身价值和记录个人最好的健身价值和最佳的健身价值 。第三步:判断算法是否满足停止条件迭代,停止迭代,和转移步骤8,否则将步骤4。第四步:生成一个随机数 所有个人的人口和比较它与转换概率p。如果 ,应用公式(2)来更新个人立场,进行全局搜索,否则应用公式(6)来更新个人地位和执行本地搜索。继续第5步。第五步:实施跨境处理个人和转移步骤6。第六步:计算每个位置健身值在步骤5中,跨境处理后与当前个人的健身价值相比,如果更新的解决方案是更好的健身价值,取代当前的解决方案与新解决方案,和转移步骤7,否则转到步骤8。第七步:比较新的解决方案与当前全局最优解和更新数据。第八步:判断当前个人是否最后一个人在人群中;如果是这样的话,转到步骤3结束当前迭代,否则返回步骤4继续更新其他个体。第九步:输出全局最优值( )和相应的健身价值 ,和算法结束

3所示。改善FPA算法策略

通过授粉的FPA战略分析,不难发现,配子瞄准全局最优计划通过全球比较。在追赶的过程中全局最优粒子,粒子逐渐接近全局最优解,大多数粒子显示明显的“同质性”,使算法陷入局部最优而显得为时过早。

在本地搜索的过程中,配子不引用全局最优的解决方案,但只有两个任意的区别个人花粉组作为追赶目标,表现出明显的随机性,失明,和不确定性,从而减少更新全局最优解的速度。同时,切换概率p整个优化过程中保持不变,导致过小比例的全球搜索算法的初始阶段和后期的比例太大,从而减少算法的搜索效率。

此外,由于随机选择初始花粉在平安险配子,配子很难相对均匀分布在解空间,从而减少FPA搜索的效率。上述缺陷限制FPA的优化精度和收敛速度在一定程度上。混沌变量可以用他们独特的非线性法遍历所有可行解在目标空间。同时,反向学习策略可以提高花粉配子的多样性。使用反向学习混沌映射来初始化配子FPA的算法可以使配子均匀分布和维护配子的多样性,从而提高初始分布质量的配子。平安险的全局搜索算法,混沌搜索可以帮助FPA算法搜索在整个解空间,以避免全局搜索陷入局部优化。本地搜索,通过定义一个运营商,搜索范围是有关算法迭代次数,和本地搜索的范围可以减少算法的进展,使算法更有针对性。同时,切换概率p与算法迭代次数,使算法可以动态地调整局部和全局搜索的比例在不同的阶段,从而提高优化精度和收敛速度。

3.1。物流地图

混沌系统是一个随机的不规则运动,及其行为主要表现为不确定性、不可重复性和不可预测性。发展的许多混乱的地图出现混乱,如逻辑映射、帐篷映射,和切比雪夫映射。最常用的是逻辑映射: 在哪里t表示为迭代的数量, ,k是最大的价值。当= 4, ,和 ,方程(7)是处于混沌状态,上面的混乱(0,1)之间的范围。本文采用另一个混沌映射:

时的值 和 ,方程(8)是处于混沌状态,混乱的解决方案由方程(8)是一系列(−0.9,0.9)大于逻辑映射解决方案,哪个更有利于搜索。所有算法本文采用该参数设置。

3.2。平安险基于混沌映射

CFPA的原理是利用混沌映射生成的值替换兰德生成的随机值概率[0,1]在迁移的过程中操作。当搜索能力不强的后期算法,每组将寻找解决方案k次获得新的个体。混沌搜索的公式,用新的代替旧的个人个人如下: 在哪里方程解(9)。混沌映射的流动花朵授粉算法表示如下:步骤1:初始化种群,大小p,最大迭代数k,转换概率p和健身价值函数f是集。步骤2:计算适应度函数f人口所在的栖息地,并比较和留住最佳的健身价值f,确定条件是否满足,如果条件满足,输出;否则,继续下面的步骤。步骤3:从方程(1)和(2)计算每个人的位置和最优位置。步骤4(个人)的位置:最优健身与混沌映射概率个人的选择最佳的健身。重新组装成一个新的最优位置,和更新的位置。第五步:根据方程(performe变异操作5)。第六步:进行混沌搜索根据混沌映射的公式(7)。第七步:如果认为满足停止条件,停止;如果不满足,重复步骤(3)。

4所示。算法的性能比较

应该检查测试函数。测试函数的选择是基于属性。在理想的情况下(13,14),一套好的测试函数应该有多个属性,单模和多通道,这样可以测试全面优化算法。基于这一原则,本文选择四种典型的和广泛使用的标准测试函数测试。(1)《护理功能: 最好的值: 。(2)比尔功能: 最好的值: 。(3)Rastrigin功能: 最好的值: 。(4)座表函数: 最好的值: 。

f1 -f4功能如表所示1。

上面的f1 -f4功能测试,他们的函数图像如图1:

为了验证CFPA算法的收敛性和适应性的变化,验证了智能优化算法的执行效率,不断迭代函数的值。摘要GA算法,平安险,和CFPA算法作为比较的对象,和健身价值的变化(100、1000)将通过不断迭代。最后的迭代效果如图2- - - - - -5。

5。比较的GPS位置预测

考虑到实验应用能力CFPA算法,本文选择GPS数据的应用程序场景预测GPS的位置变化。

数据来源于城市出租车定位数据在成都,四川,中国,包括道路ID、车辆ID、运输时间、经度,维度,实时速度、数量和位置。细节从8月1日至2014年8月31日,2014年,如表所示2。

从表2,位置号码是GPS的位置(经度和纬度)。位置误差在一定范围内是有效的。经度和维度的位置数据在有效的范围内对一些热点(如车站、医院、学校、公交车站)是相同的。在这个实验中,位置数据的数量大约是120。更少的位置信息的位置信息和少量的数据删除。

调整和计算GPS数据,计算车辆的时间和位置的关系在不同的位置,并计算相关信息部分不同的道路。主要的数据如表所示3。

地理位置预测的过程中,由于道路交通状况,即。交通拥堵,缓慢的运动,和舒适。在这篇文章中,车辆的平均速度作为判断标准,及其阈值区间,分别设置:少于12 km / h是果酱,12∼25公里/小时缓慢,超过25公里/小时很舒服。来验证本文提出的算法的预测效果在地理位置上,消费者保护是与GA相比,PSO和FPA算法与实际地理位置信息作为参考标准。图中显示地理位置的对比效果预测与其他算法,如图6。

选择一天的时间点位置预测,并选择不同的时间段对GPS的位置进行评估。遗传算法在算法执行不佳,其误差相对较大,平均约4.56单位的价值。PSO和FPA接近预测的效果,但是效果一般,用误差值分别为4.12和3.67。在预测效果CFPA算法具有明显的优势,一个错误1.89单位。比较上述四个算法,发现CFPA算法在预测精度和误差有明显的优势,具有良好的收敛性的健身价值。

6。结论

本文介绍了花授粉算法的基本原理,通过混沌映射和花授粉算法改进策略。改进CFPA算法比较测试效率四个测试函数,和收敛CFPA的健身价值有明显的优势。最后,GPS定位数据用于预测地理位置。CFPA也最好的预测效果的预测效果。接下来的研究工作主要是测试其他测试函数,进一步验证算法的整体优势。

数据可用性

使用的数据来支持这个研究的发现可以从相应的作者。

的利益冲突

作者宣称,关于这项工作他们没有利益冲突。

确认

这部分工作是支持重庆市教委科学技术研究项目(批准号KJQN201902102)。