基于人工蜂群算法的协同优化方法研究.docx

基于人工蜂群算法的协同优化方法研究摘要：复杂工程的设计（如飞行器总体优化设计）涉及多门学科需要用到多学科设计优化的相关技术。人工蜂群算法是一种新型的元启发式搜索算法具有简单、灵活、全局搜索能力强、鲁棒性等特点。探讨了协同优化方法的基本原理针对其一致性求解困难问题引入人工蜂群算法建立了基于人工蜂群算法的协同优化方法设计并实现了分布式优化框架实例测试结果表明该方法能够在一定程度上有效地解决多学科设计优化问题。关键词：人工蜂群算法；协同优化方法；多学科优化设计中图分类号：TP30文献标识码：A文章编号：1674-098X（2016）01（a）-0000-00引言复杂系统优化设计的数学描述是庞大的非线性优化问题飞行器的总体设计涉及到气动、结构、动力、控制等诸多学科各学科自身已形成完整的知识体系学科间的相互耦合又进一步增加了复杂度[1]。如果将所有学科知识都集中于一个优化过程优化问题将过于繁杂[2]。为解决这一困难SobieskiJ.和KrooI.等陆续提出了一些对复杂系统进行分析及设计优化的方法多学科设计优化（MultidisciplinaryDesignOptimizationMDO）便逐步形成[3]。目前主要有协同优化方法（CollaborativeOptimizationCO）、并行子空间方法和BLISS法等。其中协同优化方法是Kroo等人在一致性约束优化算法基础上提出的一种多级MDO算法具有结构简单、算法收敛性可靠的特点得到了较广泛的重视和应用[4]。人工蜂群算法（ArtificialBeeColonyABC）是一种新型的仿生计算算法通过模拟蜂群采蜜过程中体现出的智能行为来实现对问题的求解[5]。1协同优化方法协同优化方法将复杂的工程设计问题分解成几个并行的子学科级问题每个学科的专家只需要建立本学科优化求解的约束集和学科分析工具独立地进行本学科计算模型的完善工作而系统设计的全局约束和优化的目标函数则由顶层协调部门来建立和完成。求解过程中每个子学科级都不考虑其他学科的情况在满足本学科约束的基础上最小化相容一致性约束然后系统级在满足全局约束和相容一致性约束的情况下进行系统目标函数的最优化[6]。问题的迭代计算是系统目标函数不断最优和学科间的变量满足相容一致约束的过程系统级优化是在满足全局不等式约束和相容一致性约束下寻求系统目标函数的最优解学科级优化是在满足局部不等式约束和学科分析的要求下寻求兼容一致性约束的最小值。运用协同优化方法解决多学科设计优化问题时为了保证优化算法的可靠性要选用解决非线性能力强且对梯度的依赖性弱的优化方法不需要梯度信息的随机搜索算法如果能够保证计算效率将是比较理想的选择。在此选用基于外罚函数法的人工蜂群算法。2人工蜂群算法社会性动物群体的觅食行为体现出的群智能得到了优化领域的关注通过模拟群体昆虫或者动物解决问题的行为设计出具有适应性、分布型、鲁棒性强的算法[7]。人工蜂群算法最早2005年由土耳其学者DervisKaraboga提出在解决无约束优化问题上有着优于其他群智能算法的表现[8]。2.1算法原理及模型在人工蜂群算法中蜂群被分为三个工种：雇佣蜂（EmployedBee）守望蜂（Onlooker）和侦查蜂（Scout）[9]。1）算法随机产生一个种群数为SN的初始种群每个解（蜜源所在地）（i=12…SN）都是一个D维的向量D是优化过程中涉及到的变量的数目。雇佣蜂计算出每个初始蜜源的大小（目标函数）、适应度。根据公式（1）在初始蜜源附近依照“贪婪选择”随机地寻找新蜜源。2）雇佣蜂搜索完后在舞蹈区和守望蜂共享信息包括蜜源大小、位置及适应度。3）守望蜂根据蜜源的适应度按照公式（2）并根据一定的概率选择蜜源按照“贪婪选择”进行搜寻。为了在一个蜜源的基础上产生新的位置ABC算法根据如下公式进行位置的计算：4）在循环过程中记录蜜源位置未被更新的次数Bas如果Bas超过预先设定的遗弃度（limit）同时该源不是目前所有源中的最优解则视该源陷入局部最优这个蜜源将被放弃由侦查蜂随机找到的一个位置代替。若算法循环次数达到预先设定的次数或者目标函数值收敛计算结束。2.2择优机制的改进由于采用的是“贪婪选择”策略标准的人工蜂群算法只能求解无约束问题但工程优化问题总是受约束于一定的条件所以算法在“贪婪选择”阶段的行为需要进行改进。文献[9]提出几个处理约束的准则：1）满足约束条件的解比不满足约束条件的解优越；2）在满足约束条件的解当中目标函数值优越的占优；3）在解都不满足约束