改进的人工蜂群算法在多目标参数优化中的应用.docVIP

改进的人工蜂群算法在多目标参数优化中的应用 王耀光，王振林2，李迅波2 摘要：本文在Pareto非支配集的基础上提出改进蜂群适应度算法操作，对蜂群算法产生的每一个个体进行局部搜索。为了提高算法的搜索率，采用精英选择加快多个目标的并行搜索。实验结果表明该方法与蜂群算法相比能快速地收敛于Pareto最优解。 关键词:多目标优化，蜂群算法，Pareto最优解 1引言 多目标优化是实际中广泛存在的NP求解难问题。通常问题的最优解不是单个解，而是多个解，并且各个解之间的结果是不可比较的。近年来出现了许多优秀的多目标有优化算法，比如遗传算法、鱼群算法、粒子群算法以及其改进的算法[1-5]。但是这些算法还是存在收敛慢、容易陷入局部最优解等问题，有待进一步改进。 为了优化多变量、多模态数据函数，Karaboga在2005年首次提出采用人工蜂群(ABC)算法来描述该问题[6]。该算法是模拟蜜蜂群觅食的智能算法，根据各自分工进行不同的活动，实现蜜蜂群信息的交流个体共享，从而找到问题的最优解。函数优化结果表明该算法比遗传算法、粒子群算法、微分进化算法具有更好的优化性能。 2 多目标人工蜂群算法 2.1多目标优化问题 考虑如下多目标优化问题： ， （1） s.t.， 其中，决策向量,即，目标向量。多目标优化中，各个目标通常是相互制约