优化算法——人工蜂群算法(ABC)要点.doc

优化算法——人工蜂群算法(ABC) 一、人工蜂群算法的介绍 ? ? 手机微信关注公众号ID：datadw 学习数据挖掘，研究大数据，关注你想了解的，分享你需要的。人工蜂群算法(Artificial Bee Colony, ABC)是由Karaboga于2005年提出的一种新颖的基于群智能的全局优化算法，其直观背景来源于蜂群的采蜜行为，蜜蜂根据各自的分工进行不同的活动，并实现蜂群信息的共享和交流，从而找到问题的最优解。人工蜂群算法属于群智能算法的一种。 ? ? ? ? 标准的ABC算法通过模拟实际蜜蜂的采蜜机制将人工蜂群分为3类: 采蜜蜂、观察蜂和侦察蜂。整个蜂群的目标是寻找花蜜量最大的蜜源。在标准的ABC算法中，采蜜蜂利用先前的蜜源信息寻找新的蜜源并与观察蜂分享蜜源信息；观察蜂在蜂房中等待并依据采蜜蜂分享的信息寻找新的蜜源；侦查蜂的任务是寻找一个新的有价值的蜜源，它们在蜂房附近随机地寻找蜜源。 ? ? ? ? 假设问题的解空间是维的，采蜜蜂与观察蜂的个数都是，采蜜蜂的个数或观察蜂的个数与蜜源的数量相等。则标准的ABC算法将优化问题的求解过程看成是在维搜索空间中进行搜索。每个蜜源的位置代表问题的一个可能解，蜜源的花蜜量对应于相应的解的适应度。一个采蜜蜂与一个蜜源是相对应的。与第个蜜源相对应的采蜜蜂依据如下公式寻找新的蜜源： 其中，，，是区间上的随机数，。标准的ABC算法将新生成的可能解与原来的解作比较，并采用贪婪选择策略保留较好的解。每一个观察蜂依据概率选择一个蜜源，概率公式为 其中，是可能解的适应值。对于被选择的蜜源，观察蜂根据上面概率公式搜寻新的可能解。当所有的采蜜蜂和观察蜂都搜索完整个搜索空间时，如果一个蜜源的适应值在给定的步骤内(定义为控制参数“limit”) 没有被提高, 则丢弃该蜜源，而与该蜜源相对应的采蜜蜂变成侦查蜂，侦查蜂通过已下公式搜索新的可能解。 其中，是区间上的随机数，和是第维的下界和上界。 初始化； 重复以下过程： 将采蜜蜂与蜜源一一对应，根据上面第一个公式更新蜜源信息，同时确定蜜源的花蜜量； 观察蜂根据采蜜蜂所提供的信息采用一定的选择策略选择蜜源，根据第一个公式更新蜜源信息，同时确定蜜源的花蜜量； 确定侦查蜂，并根据第三个公式寻找新的蜜源； 记忆迄今为止最好的蜜源； 判断终止条件是否成立； ? ? 对于函数 其中。 代码： [cpp]?view plaincopy #includeiostream?? #includetime.h?? #includestdlib.h?? #includecmath?? #includefstream?? #includeiomanip?? using?namespace?std;?? ?? const?int?NP=40;//种群的规模，采蜜蜂+观察蜂?? const?int?FoodNumber=NP/2;//食物的数量，为采蜜蜂的数量?? const?int?limit=20;//限度，超过这个限度没有更新采蜜蜂变成侦查蜂?? const?int?maxCycle=10000;//停止条件?? ?? /*****函数的特定参数*****/?? const?int?D=2;//函数的参数个数?? const?double?lb=-100;//函数的下界??? const?double?ub=100;//函数的上界?? ?? double?result[maxCycle]={0};?? ?? /*****种群的定义****/?? struct?BeeGroup?? {?? ????double?code[D];//函数的维数?? ????double?trueFit;//记录真实的最小值?? ????double?fitness;?? ????double?rfitness;//相对适应值比例?? ????int?trail;//表示实验的次数，用于与limit作比较?? }Bee[FoodNumber];?? ?? BeeGroup?NectarSource[FoodNumber];//蜜源，注意：一切的修改都是针对蜜源而言的?? BeeGroup?EmployedBee[FoodNumber];//采蜜蜂?? BeeGroup?OnLooker[FoodNumber];//观察蜂?? BeeGroup?BestSource;//记录最好蜜源?? ?? /*****函数的声明*****/?? double?random(double,?double);//产生区间上的随机数?? void?initilize();//初始化参数?? double?calculationTruefit(BeeGroup);//计算真实的函数值?? double