受粒子群和差分进化启发人工蜂群算法.docVIP

受粒子群和差分进化启发人工蜂群算法 　　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程中的损耗；Szeto等[7]利用ABC算法对城市道路中的车辆路径进行优化调度 　　但是，与其他搜索算法一样，ABC算法同样存在早熟、易陷入局部极小点、后期搜索停滞等问题基于这些问题，人们将其他算法的优化思想与ABC算法相结合，提出了更加有效的改进ABC算法，如Alatas等[8]受混沌理论思想启发，在初始化阶段和搜索策略上引入混沌序列，提高了算法的全局收敛能力；Zhu等[9]受粒子群思想的启发，提出了受全局最优解引导的GABC（Gbestguided ABC）算法；Gao等[10]受差分进化思想的启发，提出了ABC/best算法一系列测试函数实验表明，基本ABC算法的搜索策略更加倾向于对搜索空间的探索，导致收敛速度和收敛精度的下降 　　为了更好地平衡ABC算法的探索能力和开发能力，本文基于粒子群和差分进化思想，提出了两种新的ABC搜索策略PSODEGABC和PSODEPABC；然后，使用维度因子???搜索策略进行控制，使其具有更高的收敛速度；此外，本文还提出了一种利用当前种群信息的侦查策略，与基本ABC中的随机侦查策略相比，具有更好的收敛能力通过对10组测试函数的实验仿真，与基本ABC、GABC和ABC/best算法相比，本文提出的PSODEGABC和PSODEPABC算法对于绝大多数函数具有更高的收敛精度和收敛速度 　　1人工蜂群算法 　　ABC算法是一种模仿自然界中蜜蜂采蜜行为的群智能优化算法人工蜂群中拥有三种不同类型的人工蜜蜂：引领蜂、跟随蜂和侦查蜂引领蜂负责发掘蜜源，两者一一对应；跟随蜂依据引领蜂提供的蜜源信息来选择蜜源，并且引领蜂、跟随蜂与蜜源三者的数目相同若引领蜂和跟随蜂对蜜源进行limit次开采之后，蜜源的质量还得不到提高，则此处的蜜源将被对应的引领蜂放弃，并将自身转变为侦查蜂去开发其他蜜源 　　本文将粒子群和差分进化的更新公式进行融合，在综合考虑了全局收敛能力和收敛速度之后，提出了两种新的ABC搜索策略公式，如式（8）和式（9）所示： 　　通过式（8）和式（5）比较可知，两者最大的不同是式（8）将差分进化中的随机个体选择思想引入到各项中来，通过充分利用种群个体信息来提高种群搜索过程中的多样性由文献[12]的实验结果可知，式（6）的开发能力比式（7）的开发能力高出很多因此，本文将差分进化中的精英策略和粒子群中的诱导策略进行结合，提出式（9）来平衡搜索过程中的开发能力和探索能力，在式（6）的基础上增加受全局最优解引导的扰动项 　　2.2维度因子 　　为了提高PSODEPABC和PSODEGABC的收敛速度，本文提出了基于维度的选择算子来控制算法的收敛性能与一般ABC中的单维度搜索策略不同，受到差分进化中的指数交叉算子的启发，本文提出一个维度因子参数：DF（Dimension Factor），来实现对算法收敛速度的控制具体算法描述如下：对随机选取的某个维度进行更新之后，将同时对其后面的DF个维度进行更新 　　2.3新的侦查策略 　　基本ABC算法的随机侦查策略是放弃之前种群的搜索信息，将人工蜜蜂随机抛入到搜索空间中这将导致ABC算法的局部搜索能力减弱，收敛速度减慢因此，提出了一种更加有效的侦查策略，如式（10）所示： 　　与随机侦查策略不同，本文采取在侦查蜂自身周围进行搜索，其搜索范围随