基于中心解的改进人工蜂群算法.docVIP

基于中心解的改进人工蜂群算法 　　摘要：为了解决人工蜂群（ABC）算法在用于函数优化时所具有的局部探索能力不强、收敛精度不高的问题，提出一种基于中心解的人工蜂群算法。该算法结合中心解和当前最优候选解的优点，并将中心解引入到跟随蜂的局部变异策略中。跟随蜂采用轮盘赌的形式，选择某些适应度值较好的蜜源，在雇佣蜂中心解的基础上深度局部寻优，并在每次迭代中逐维更新蜜源每一维度的值。为了验证该算法的有效性，选择六个基准测试函数对三种算法进行仿真对比实验。与标准ABC算法和Bestsofar ABC算法相比，改进的ABC算法的求解精度有较大幅度提高，特别是对于Rastrigin函数，两种不同维数下均达到了理论最优值。实验结果表明：所提算法在收敛速度和寻优精度上都有明显改善。 　　关键词：人工蜂群算法；中心解；当前最优解；局部搜索 　　中图分类号： TP301.6 文献标志码：A 　　0引言 　　人工蜂群（Artificial Bee Colony， ABC）算法[1-3]具有鲁棒性好、计算简单、容易实现等优点，已经在生产调度[4]、组合优化[5]、系统辨识[6]、聚类分析[7]等领域得到了大量的应用。ABC算法也存在由于搜索策略的局限性，出现进化前期算法的性能较好、后期优化易陷入局部最优的情况。因此，许多学者进行了大量的改进，以克服其早熟收敛的缺点。王志刚[8]提出一种改进搜索策略的人工蜂群算法――Bestsofar ABC算法，将种群中的个体分组，每组采用不同的搜索策略进行寻优，提高了算法摆脱局部最优的能力；葛宇等[9]结合极值优化策略提出一种改进的人工蜂群算法，重新设计局部搜索方案，提高了算法求解函数优化问题的寻优能力；暴励等[10]基于反向学习的策略提出一种双种群差分蜂群算法，提高了算法的全局寻优能力和收敛速率；Banharnsakun等[11]通过动态调整邻域搜索步长提出了一种改进的人工蜂群算法――Bestsofar ABC算法，该算法是以全局最优解的适应值为依据，提高了收敛精度和收敛速度；Zhu等[12]受粒子群算法的启发，提出将全局最优解的信息引入到搜索公式中，加快了算法的收敛。 　　上述改进在函数优化中均取得了良好的效果，但同样也存在早熟收敛、易陷入局部最优等不足。为了克服这些不足，进一步提高算法的收敛精度并改善其局部探索能力，基于文献[13]的中心解的方法，本文提出一种将中心解引入到跟随蜂的局部搜索策略中的人工蜂群算法，记为MABC算法。该算法同时在跟随蜂的局部搜索策略中引入当前最优解，使跟随蜂在当前最优解的邻域深度寻优， 显著提高了算法的收敛速率和收敛精度，同时又改善了ABC算法的局部开采能力。 　　1ABC算法原理 　　基本ABC算法是一种模拟蜜蜂群体智能搜索行为的生物优化方法。蜜蜂在采蜜过程中的采蜜行为是智能的，蜂群根据不同的分工进行各自的活动，通过互相分享蜜源信息以此找到最优蜜源。在ABC算法中，蜂群包括三种类型的蜜蜂：雇佣蜂、跟随蜂以及侦查蜂。蜜蜂寻找优质蜜源的过程可以看成是求解函数最优解的过程[2]。 　　3实验结果与分析 　　为检验算法的性能，选择6个常用的测试函数[16]分别对ABC算法[1]、Bestsofar ABC算法[11]以及本文提出的MABC算法进行对比实验，从寻优精度、鲁棒性和收敛速率三个方面进行评估。 　　3.1测试函数的选择 　　表1为选取的6个基准测试函数的名称、表达式、搜索范围以及理论最优值。其中：n表示解的维数，对应维数D，1≤i≤n，xi表示解的第i维的值。 f1和f2函数是单模态函数，主要用来考察算法的收敛速率和寻优精度； f3、 f4是非线性多模态函数，用来测试算法的避免早熟能力和全局寻优性能； f5是非线性非对称函数，用来测试算法在非对称的实际问题时的优化性能； f6函数被称作变态函数，该函数的变量之间具有很强的关联性，较为特殊，通常用来评价优化算法的性能。 　　3.2结果与分析 　　以下的实验中，分别使用了D=30和D=50两种维数进行仿真实验，其他参数设置如下：蜂群规模SN=50，控制参数Limit=100，MCN=1000。 　　本文使用最差适应值（简称最差值）、最优适应值（简称最优值）、平均最优适应值（简称均值）和方差四个参数来评价算法的性能。其中均值反映了在MCN下算法的精度，方差体现算法的鲁棒性。本文将三种算法对6个测试函数在30维的情况下进行了测试，同时又测试了50维的情况。为方便对比分析，将测试结果合并一起如表2所示。图1为三种算法对6个测试函数的平均适应度值进化曲线。限于篇幅，只给出了在50维的情况下的对比图。 　　先分析表2中的数据，可以得到：ABC算法的方差比另外两种算法的大，说明其稳定性稍差，而MABC算法的稳定性