蜜蜂算法10.pptVIP

蜜蜂算法 现代设计技术 机自1005班 任永武 群体智能 自然界中的群居昆虫，如蚂蚁、蜜蜂、鱼群等，个体结构都十分简单。 个体之间通过合作表现出来的行为能力却十分复杂。 群居昆虫个体无智能，但通过合作从一定程度上体现出较高的“智能”。 受社会性昆虫群体行为的启发，研究人员通过对它们的模拟产生了一系列解决传统优化问题的新方法，这些研究就是所谓的群体智能。 群体智能指的是“简单智能的主体通过合作表现出复杂智能行为的特性”。 特点：突出了群体中个体之间通过协作而表现出复杂行为的涌现现象。为寻找复杂的分布式问题的解决方案提供了新的思路。 群体智能算法：模拟自然界生物的群体行为而构造的随机优化算法。 常常见的群体智能算法 模拟蚂蚁行为的蚁群算法 模拟鸟类行为的微粒群算法 模拟青蛙觅食的混合蛙跳算法 模拟鱼类生存习性的人工鱼群算法 模拟蜜蜂觅食的人工蜂群算法 成功应用于很多领域，如函数优化、神经网络训练、寻找最优路径、调度问题、结构优化、机器人学习、图像处理等。 群体智能算法统一框架模式 Stepl：设置参数，初始化种群； Step2：随机生成一组解，并计算其适应值； Step3：按照某种更新规则，生成新的解； Step4：通过比较得到个体的最优适应值和群体的最优适应值； Step5：判断终止条件是否满足?如果满足，结束迭代：否则，转Step3。 蜜蜂算法 蜂群算法(BCO)是受到自然界的蜜蜂行为启发而提出的一种新颖的元启发式优化算法。 根据所受启发的生物机理的不同，蜂群算 法可分为两大类： 基于蜜蜂繁殖机理的蜂群算法 基于蜜蜂采蜜机理的蜂群算法 基于蜜蜂繁殖行为的蜜蜂算法 蜂群的运行主要包括： 蜂后的选优过程 蜂后选择雄蜂的过程 新幼蜂群体的局部搜索过程 蜂后的选优过程 蜂后能保留最优基因到下一代种群中。 蜂后的基因优劣对算法的收敛速度与最终结果影响很大。而在初始时如果能给蜂后赋予较优的基因，也将大大加快算法的收敛，提高系统的效能。 蜂后选择雄蜂的过程 在蜂群繁殖过程中，蜂后的婚飞起着关键的作用 在婚飞的开始时刻，给蜂后赋予一定量的能量和速度，在各个区域内随机地与碰到的雄蜂交配在能量消耗至接近于零或在受精囊装满时，蜂后返回蜂巢。 总的来说，算法由蜂后根据概率公式选择雄蜂开始，并通过与雄蜂基因谱的交叉，产生新的幼蜂。 对幼蜂群体的局部搜索 在局部搜索后的幼蜂种群中，选择适应度最好的幼蜂作为候选蜂后，与蜂后的适应度进行比较，若适应度大，则取代蜂后；否则，保留原蜂后。 蜂王是优化过程中待求解问题的最优解 算法实现 定义受精囊的大小M 虢机地产生幼蜂．扶中选出最优的为蜂后 秘甬蜂后的选优策略优化蜂后豹基因型 wh弛未达翔停止的限壹 t=O 髓枧魄初始化E(t)和s(t) 初始化能量衰减的步长r=0．s’E(t)／M 随机产生雄蜂 whileE“)e 评估雄蜂的基因型 if该雄蜂超过7概率选择的条件式f2．2)and蜂后的受精囊未满 then雄蜂的精子翻入飘受精囊 end矿 t=t+』? Em=Em—r： sm=o．9’Sm： 以sm概率对雄蜂基因型每一位取反； endwh妇 而rbroods=l toM 虢机地旋蜂舌的受精囊中选出精子．通过将E选的精子s蜂后的基因型交 叉而产生幼蜂； 变异幼蜂的基函型； endfor 耨幼蜂群体局部搜索 H最垂}的幼蜂的适应瘦比蜂后高then 甬最好的幼蜂取代蜂后 杀死瞬有的幼蜂 end while 基于蜜蜂采蜜行为的蜜蜂算法 蜂巢中的一部分蜜蜂作为采蜜蜂，它们不断并随机地在蜂巢附近寻找蜜源。 如果这些采蜜蜂发现了花蜜超过某个阈值的蜜源，则飞回蜂巢并用摇摆舞告知其他蜜蜂。（如蜜源方向及离巢距离等） 其他蜜蜂利用这些信息准确评价蜂巢周围的蜜源质量找到的蜜源采蜜。 采蜜行为包括蜜源、采蜜蜂与待采蜜蜂三个基本部分。 刚开始时，待采蜜蜂有两种可能的选择 a）由于蜂巢内部或外部因素刺激，自发地随机搜索蜂巢附近的蜜源 b）在蜂巢内等待，通过观察采蜜蜂的摇摆舞后，被招募并根据获得的信息寻找蜜源 当待采蜜蜂发现新蜜源后，待采蜜蜂变成了采蜜蜂。蜜蜂采蜜回到蜂巢并卸载花蜜后，它有以下三种基本的行为模式： a）放弃原先找到的蜜源，成为待采蜜蜂 b）返回同一蜜源，跳摇摆舞招募其他蜜蜂 c）不招募其他蜜蜂，继续返回同一蜜源采蜜 蜜蜂采蜜的过程（即寻找高质量的蜜源）类似于进化计算中的搜索待求解问题最优解的过程。 在采蜜模型中，蜜源代表可能的解，采蜜相当于搜索最优解，蜜源质量可视为适应度函数决定整个算法的优化方向 到目前为止,利用蜜蜂的采集行为模型和群智能特征设计的智能算法、智能优化算法和人工系统已有十几种之多。 下面给出两个发展较成熟的基于蜜蜂采集模型的智能优化算法,蜂群算法和人工蜂群算法,并简述了