二稿混沌蜂群算法..doc

混沌蜂群算法:人工蜂群算法;全局数值优化; 混沌; Chaotic bee colony algorithms Abstract: Artificial bees colony algorithm is a kind of new simulation behavior of meta heuristic algorithm. New ABC algorithm is proposed in this paper, using the chaos mapping, improves the rate of convergence of the algorithm, and prevent the ABC into a local optimum. ABC algorithm needs to use a random number, generated by random number generator. The algorithm puts forward seven new chaos mapping of chaotic mapping in benchmark function analysis of different performance, improves the quality of knowledge. Experimental results show that the proposed method can improve the quality of the solution, which can prevent falls into local optimum, and can improve the global search ability. Keywords: Bee colony algorithm;Chaos;Global numerical optimization 引言 图 1 启发式算法 近年来，基于生物学的群体智能启发式算法已成为许多学者的研究兴趣之一.粒子群优化算法、蚁群优化算法和蜂群算法可以视为群体智能的几个分支领域.最近提出的人工蜂群智能算法（ABC）受到了蜜蜂智能行为的启发，同时被证明是全局数值优化问题的更好的解决办法. 在许多文献中，混沌映射都具有确定性、遍历性和随机性.近年来，用混沌序列代替伪随机序列并应用于相关程序中，在许多算法中已经表现出一些有效的﹑好的结果，它们也可以与一些启发式优化算法一起使用来表示优化变量.由于混沌序列的不可预测性，理论上讲，混沌序列的选择是合理的. 在本文中，用混沌系统生成的不同序列代替ABC参数的随机数，这是一个随机选择的过程.为此，我们已提出用不同的混沌映射代替伪随机序列的方法.通过这种方式，它可以加强全局优化，防止陷入局部最优.但是，一般情况下，如果他们不遵循均匀分布，很难去估计哪些通过应用统计测试的混数发生器更好.仿真结果表明，应用确定性混沌信号代替随机序列是提高ABC性能的一种策略. 本文的其余结构，如下所示：第1节中回顾了ABC的相关内容；第2章介绍了所提出的方法、混沌蜂群算法，简称CBCAs；第3节介绍了用于提出的方法进行比较的测试函数；第4节，测试所提出的方法；第5节通过基准问题和模拟结果进行对比，得出结论. 1.人工蜂群算法 在标准ABC算法中人工蜂群包括引领蜂,守望蜂和侦查蜂三个组成部分。每个引领蜂有一个确定的食物源（每个食物源的位置代表优化问题的一个可行解），引领蜂的个数与食物源的个数相等，食物源的花蜜量是由相应解的适应度值来决定的。初始化之后，引领蜂根据记忆中的局部信息产生一个新的位置并检查新位置的花蜜量。若新位置的花蜜量比原来的多，则该蜜蜂更新记忆并记住新的位置。所有的引领蜂搜索完之后，将花蜜源信息通过在舞蹈区跳舞的方式传递给守望蜂。守望蜂根据引领蜂所找的食物源的花蜜量按概率选择一只引领蜂并跟随它，在这只引领蜂所在的食物源附近再重新搜索找到新的位置，并检查新候选位置的花蜜量。若新位置优于原来的位置，则更新记忆并记住新的位置。算法的伪代码见图2. 在初始化步骤后搜索的周期包括三个步骤：将引领蜂引到食物源并计算其花蜜量；将守望蜂引到食物来源并计算出花蜜量；确定侦查蜂，并把它们引到可能的食物源.一个食物源代表着优化问题的一个可行解.食物源的花蜜量对应着可行解的质量.每个引领蜂再在它当前的食物源附近区域内确定一个新的食物源，并估算它的花蜜量.如果新的花蜜量较高，蜜蜂更新记忆并记住新的食物源.守望蜂根据引领蜂所找的食物源的花蜜量，按概率选择其中一只引领蜂，并跟随它. 蜂群的每个侦查蜂都被视为种群的探险者，不能发表任何指导意见，只是负责寻找食物.他们负责寻找任何种类的食物源.也是由于它们的这种行为