一种基于多种改进策略的人工蜂群算法的优化方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111291854A(43)申请公布日2020.06.16(21)申请号202010047160.7(22)申请日2020.01.16(71)申请人浙江工业大学地址310014浙江省杭州市下城区潮王路18号(72)发明人刘志李鹏航朱李楠沈国江(74)专利代理机构杭州之江专利事务所(普通合伙)33216代理人张慧英(51)Int.Cl.G06N3/00(2006.01)权利要求书1页说明书4页附图2页(54)发明名称一种基于多种改进策略的人工蜂群算法的优化方法(57)摘要本发明涉及一种基于多种改进策略的人工蜂群算法的优化方法，本发明分别对差分进化策略(DES)，三角因子振荡策略(TFOS)，异维学习策略(DDVLS)，高斯分布策略(GDS)进行改进，增强了算法的全局搜索能力，提高了解的精度，最后求得全局最优解，从而有效克服了ABC算法的缺点，准确率提高了，而且收敛速度加快，达到了对经典ABC算法优化的效果。CN111291854ACN111291854A权利要求书1/1页1.一种基于多种改进策略的人工蜂群算法的优化方法，其特征在于，包括如下步骤：(1)利用块编码的方式确定多种改进策略的人工蜂群算法的参数并初始化种群；并计算种群中每个个体适应度值并判断容量限定,舍弃不满足容量要求的个体；(2)雇佣蜂采用经差分进化策略、异维学习策略以及三角因子振荡策略改进后的方程进行循环搜索；观察蜂采用经高斯分布策略改进后的搜索方程进行循环搜索；(3)设定记录板记录蜜蜂的搜索状态，根据记录板的内容确定是否产生侦查蜂，并且侦查蜂采用经差分进化策略、异维学习策略改进后的搜索方程开始搜索；判断是否达到终止条件,若是则输出结果；否则，重复上述步骤继续求解。2.根据权利要求1所述的一种基于多种改进策略的人工蜂群算法的优化方法，其特征在于：所述在步骤(1)中，利用块编码的方式设定多种改进策略的人工蜂群算法的参数：蜂群数量NP、食物源数量NP/2、控制参数limit、最大循环数MaxCycle、D维解空间；并且在解空间随机产生初始解Xi(i＝1，2,…,NP),计算其适应度值：即它表示第g代种群的第d个个体,且表示第i级的第k个基因位。3.根据权利要求1所述的一种基于多种改进策略的人工蜂群算法的优化方法，其特征在于：所述步骤(2)中，利用差分进化策略和异维学习策略，为雇佣蜂提供了更多的学习机会，避免了单一维度寻优的问题，从而大大提高了雇佣蜂的全局搜索能力；此外，通过引入三角因子振荡策略、全局精英解和自适应权重因子，可以进一步提高雇佣蜂的全局搜索能力；利用全局精英解，可以有效地将当前种群的搜索方向向更好的解靠近；此外，自适应权重因子可以动态调整步长；在迭代初期，权重因子被用来扩展搜索空间，而在后期，它使个体进行精细搜索并收敛到最优位置；此处雇佣蜂按如下公式搜索新解：其中,cos(λ)为三角振荡因子，且λ是在[3.14，π]范围内的一个随机数，r,r1,r3∈{1,2，…，NP},且r≠r1≠r2,F＝2，K1，K2，K3∈{1,2，…，D}，且K1≠K2≠K3,ξ为自适应权重因子且ξ＝(maxCycle-iter)/maxCycle，是在[-1,1]范围内的一个随机数，xge是全局精英解；在观察蜂阶段，引入一种具有自适应高斯分布因子的变异策略来克服观察蜂的缺点，使得观察蜂在迭代初期获得更多的食物源，从而避免后期过度开发；并且在观察蜂阶段，使用差分进化策略和异维学习策略来寻找新的食物源；此处观察蜂按照如下公式产生新解,并计算其适应度值；其中，γ服从均值为0，标准差为0.5的高斯分布，其余参数和雇佣蜂相同。4.根据权利要求1所述的一种基于多种改进策略的人工蜂群算法的优化方法，其特征在于：所述步骤(3)中，在侦查蜂阶段，引入一个记录板来记录蜜蜂的状态并将信息反馈给侦察蜂；具体地说，即设置一个控制参数ε值为10-5作为阈值，如果记录板上的适应度值在五次连续迭代中没有变化或者在小于ε的范围内变化，侦查蜂将采用公式进行搜索，各参数与上述式子相同，一旦达到算法的终止条件，输出最后的结果。2CN111291854A说明书1/4页一种基于多种改进策略的人工蜂群算法的优化方法技术领域[0001]本发明涉及群智能优化技术领域，尤其涉及一种基于多种改进策略的人工蜂群算法的优化方法。背景技术[0002]群智能优化算法是一种基于群智能算法构建的随机优化方法。不同于传统的数学优化方法，群智能优化算法通过搜索代理的不断迭代演化对解空间中进行随机搜索。近几十年来，该研究领域的学者已经提出了很多群智能算法，这些算法的提出大多数都是受到自然界动物群体的运动和繁衍等行为的启发。[0003]由于群智能优化算法具有实现简单，灵活性