受粒子群和差分进化启发的人工蜂群算法.docVIP

受粒子群和差分进化启发的人工蜂群算法 摘要：针对基本人工蜂群算法搜索策略探索能力强而开发能力弱的特点，受粒子群和差分进化思想的启发，提出了两种新的搜索策略：PSODEPABC和PSODEGABC前者在随机个体附近产生新的候选位置以提高算法的多样性；后者在最优解附近产生新的候选位置以提高算法的收敛速度，并加入差分进化中的差异向量来增加种群的多样性在此基础上，引入维度因子来控制算法的收敛速度，并且使用一种利用当前种群信息的侦查策略来增强算法的局部搜索能力通过对10组标准测试函数的实验仿真并与基本ABC、GABC和ABC/best算法相比，结果表明PSODEGABC和PSODEPABC对数值优化具有更高的收敛速度和收敛精度 关键词：混合优化算法； 人工蜂群算法； 粒子群； 差分进化； 搜索策略； 侦查策略 中图分类号： TP18 文献标志码：A 0引言 人工蜂群（Artificial Bee Colony， ABC）算法是Karaboga于2005年首次提出的用于数值优化的启发式搜索算法实验表明ABC算法是一种非常有效的优化算法[1-2]，与其他优化算法相比，ABC算法具有结构简单、易于实现、控制参数较少等优点[3-4]因此，ABC算法得到广泛的应用和研究，如Karaboga等[5]采用ABC对前馈神经网络的权值进行训练；Rao等[6]用ABC算法对分布式网络进行优化，以降低网络在传输过