技术摘要：
本发明涉及计算机信息技术技术领域，公开了一种基于头脑风暴优化算法求解演化博弈问题的方法，S1、建立演化博弈问题的模型，将演化博弈问题表示为收益与不同博弈策略的函数；S2、确定演化博弈问题的优化目标，优化目标表示为函数的值；S3、确定演化博弈问题的求解环境 全部
背景技术：
演化计算和群体智能优化算法是从生物演化过程或社会现象中学习来的，是一类 搜索和优化技术的组合。演化计算方法利用一组个体在解空间的合作和竞争，不断地迭代 寻找最优解。作为一种基于群体的搜索范式，每个算法都由一组点(或者一组个体)组成，这 些点或者一组个体将演化到最优区域。每个个体代表了所优化问题的一个潜在的解。 传统的爬山算法要求问题建模为连续可微函数，在演化计算方法求解优化问题 中，问题可以用任何形式表示，不需要建模为连续可微函数。待求解优化问题的唯一要求是 每个个体都可以用适应度值(解对应的函数值)来评估。因此演化计算算法可以用来解决更 一般的优化问题，特别是传统的数学优化算法难以解决的问题。 演化博弈旨在模拟不同决策策略在个体集合中的应用，决定个体集合如何演化。 传统方法易于求解两个个体之间的策略，如简单的完全合作或者完全不合作，但是难以求 解多个个体之间的合作策略。在知识外溢问题中，需要模拟上百个个体之间的合作策略，难 以用传统方法求解。头脑风暴优化算法是一种数据驱动和模型驱动的混合范式，可以用来 模拟一组简单个体的复杂行为，因而可以解决传统方法中多个个体之间的合作策略难以求 解的问题。 传统的群体智能算法是一种“黑盒”优化方法，大多数是基于模型驱动的方法，在 搜索过程中需要不断调整模态或者参数以获得更好的性能。而本方法基于数据驱动，可以 从具体问题中学习，因而更加有效地仿真求解演化博弈问题。 对于优化算法，在搜索过程中要兼顾搜索效率和解的多样性，在求解单目标问题 时，传统的智能优化方法通常注重求解结果的准确性，而头脑风暴优化算法可以找到更加 多样化的解。粒子群优化算法的目的是及时找到全局最优，而本方法采用的头脑风暴优化 算法不仅在搜索结束时找到一个解，而且找到的是最具代表性的解，其中包括全局最优解 和其他的局部最优解。 与粒子群优化算法相比，基于改进的头脑风暴优化算法求解演化博弈问题的稳定 性和准确率更高。在所有情况下，其标准差都明显小于粒子群优化算法。即使在优化过程中 使用了许多随机数，头脑风暴优化算法也可以收敛到相同的最优，粒子群优化算法在不同 的运行条件下得到的目标值存在较大差异。 综上所述，本方法可以解决传统的爬山算法难以解决的更一般的优化问题，以及 表示形式为不连续可微的优化问题；本方法可以求解传统的方法难以模拟的多个个体之间 的策略；本方法的求解结果更具多样性；本方法基于数据驱动，可以从具体问题中学习，可 以更有效地仿真求解演化博弈问题；本方法的稳定性和准确率更高。 4 CN 111582429 A 说 明 书 2/10 页
技术实现要素：
本发明提供一种基于头脑风暴优化算法求解演化博弈问题的方法，用以解决传统 的爬山算法难以解决的不可以建模为连续可微函数的问题、现有的仿真技术难以模拟存在 的多个个体的演化博弈问题，以及普通智能优化算法的正确率较低和缺乏稳定性，难以帮 助个体或者群体快速做出最有益的决策的问题能够提高解决演化博弈问题的正确率和稳 定性。 本发明提供了一种基于头脑风暴优化算法求解演化博弈问题的方法，包括：包括 以下步骤： S1、建立演化博弈问题的模型，将演化博弈问题表示为收益与不同博弈策略的函 数； S2、确定演化博弈问题的优化目标，优化目标表示为函数的值； S3、确定演化博弈问题的求解环境； 确定演化博弈问题的博弈过程是在动态环境或是在静态环境中进行的； S4、根据演化博弈问题的模型，设定头脑风暴优化算法的结构和参数； S5、根据头脑风暴优化算法对演化博弈问题进行求解。 上述步骤S5中头脑风暴优化算法采用目标空间头脑风暴优化算法，目标空间头脑 风暴优化算法对演化博弈问题进行求解，具体包括以下步骤： S51、随机初始化； 随机生成n个解，并分别计算这n个解所对应的函数值； S52、解集合分组； 通过聚类或者分类算法将n个解分为m个小组； S53、生成新解； 利用更新解的生成方式，随机在一个或者两个小组中选择解生成新解； S54、选择新解； 将生成的新解与相同编号的原有解进行比较，存储具有较好适应值的解，作为新 解进入迭代； S55、判断新解是否满足要求，如果不满足要求，未找到“足够好”的解或者未达到 预先设定的最大迭代次数，更新解的生成方式，对解进行扰动，然后返回步骤S52，如果满足 要求则停止生成新解，停止迭代。 上述步骤S54中选择新解是通过收敛操作和发散操作获得： 收敛操作：通过迭代将解收敛到“越来越好”的小的区域； 发散操作：通过对现有解探索和模仿，选择满足适应度值和良好分布的新解。 上述步骤S53中更新解的生成方式包括：新的样例生成、新的传递函数和不同的更 新模式。 上述新的样例生成是通过随机选择一个个体解或者两个个体解生成一个新样例， 在目标空间头脑风暴优化算法中，解被分类为普通解和精英解，新的样例生成的具体过程 包括以下步骤： 随机生成[0,1)范围内的值rgeneration； 当rgeneration
