一种基于人工蜂群算法和量子粒子群算法的优化计算方法.pdf

(19)中华人民共和国国家知识产权局*CN103020709A*(12)发明专利申请(10)申请公布号CN103020709A(43)申请公布日2013.04.03(21)申请号201210402849.2(22)申请日2012.10.19(71)申请人安徽建筑工业学院地址230601安徽省合肥市经济技术开发区紫云路292号(72)发明人陈广洲刘桂建汪家权李如忠(51)Int.Cl.G06N3/02(2006.01)G06N7/00(2006.01)权利要求书权利要求书2页2页说明书说明书44页页附图附图33页(54)发明名称一种基于人工蜂群算法和量子粒子群算法的优化计算方法(57)摘要本发明公开了一种基于人工蜂群算法和量子粒子群算法的优化计算方法，其包括以下主要步骤：(1)根据实际问题编制待优化目标函数；(2)输入算法的通用运行参数：种群数目、迭代次数、变量维数、变量取值范围、待优化目标函数；(3)选取ABC、QPSO、QPSO+ABC和ABC+QPSO的一种或多种计算方法进行计算；(4)若只使用一种，直接判断结果是否满足优化要求；若多于一种计算方法，综合比较计算结果及评价最优的结果是否满足此次优化的要求；(5)若满足要求，运算结束，输出计算结果和迭代曲线；(6)否则，修改算法的输入参数，重新计算，输出参数调整后的计算结果和迭代曲线，获取最终优化结果。CN103279ACN103020709A权利要求书1/2页1.基于人工蜂群算法和量子粒子群算法的优化计算方法，所述人工蜂群算法下称ABC，所述量子粒子群算法下称QPSO，包括以下步骤：步骤1：分析实际问题，编制待优化目标函数；步骤2：输入群智能算法的运行参数，所述运行参数为种群数目、迭代次数、变量维数、变量取值范围、待优化目标函数；步骤3：根据优化需求，可以选择下述算法中的一种或两种或三种或四种进行计算：(a)选择ABC算法；(b)选择QPSO算法；(c)选择顺序为QPSO+ABC并以串联结构衔接的混合算法；(d)选择顺序为ABC+QPSO并以串联结构衔接的混合算法；步骤4：若计算只采用上述算法中的一种，直接输出计算结果，转向步骤5；若为得到更好的优化结果或进行不同算法间的优化性能比较，可以选择上述四种方法中的两种或三种或四种进行计算结果比较，转向步骤6；步骤5：判断该单一算法的优化结果是否满足本次优化要求，转向步骤7；步骤6：综合比较上述选择几种算法的计算结果，根据目标函数值的优劣筛选出最优结果，评价该最优结果是否满足此次优化计算的要求；步骤7：若满足要求，运算结束；否则，修改算法的运行参数，增大种群数目和迭代次数，重新计算，输出运行参数调整后的计算结果和迭代曲线，获取最终优化结果。2.根据权利要求1所述的优化计算方法，其特征在于：所述优化计算方法采用MATLAB语言编程。3.根据权利要求1所述的优化计算方法，其特征在于：步骤1中所述待优化目标函数是指一类可以转化为求极值的函数。4.根据权利要求1所述的优化计算方法，其特征在于：所述人工蜂群算法的计算步骤如下：(1)根据各变量的自身取值范围按照种群数分别进行初始化，随后进行变量维数合并，形成蜂群初始种群xij，i＝1，...，SN，j＝1，...D，其中SN表示食物源的数量，D为变量的维数；(2)计算种群的函数适应度值，并评价种群；(3)采蜜蜂(xij)在食物源邻域内按公式(1)在其邻域附近产生新解vij：vij＝xij+φij(xij-xkj)(1)其中，xk是除xi之外随机选取的一个解，φij是一个变化范围在区间[-a，a]的随机数，a通常取1，然后，应用贪婪选择算法决定vi和xi的好坏；(4)依据公式(2)，根据适应度值(fiti)计算解xi的概率值pi：其中，针对最小化问题，适应度值的计算按公式(3)计算：2CN103020709A权利要求书2/2页其中，fi为目标函数值；(5)对于观察蜂，在其所选择的食物源的邻域内产生新解，采用贪婪选择算法比较vi和xi的优劣；(6)确定抛弃的解xi，采用公式(4)随机产生的一个新解取代它，将其作为侦察蜂：/xij＝xminj+rand(0，1)*(xmaxj-xminj)(4)其中，xminj参数j的取值范围下限，xmaxj为参数j的取值范围上限；(7)记忆目前最好的解，如果满足结束标准要求，算法停止，输出计算结果；否则，转到步骤(2)继续迭代。5.根据权利要求4所述的优化计算方法，其特征在于：所述人工蜂群算法的计算步骤3和步骤5中获得的新解，要对各个变量范围分别进行范围检查，使其不超出其自身变化的取值区间。3CN103020709A说明书1/4页一种基于人工蜂群算法和量子粒子群算法的优化计算方法技术领域[0001]本发明涉及人工智能、管理科学与工程中的优化应用领域，尤其涉及一种