基于平均熵的自适应人工蜂群算法改进研究-软件工程专业论文.docxVIP

I万方数据 I 万方数据 摘 要 摘 要 人工蜂群算法是由 Karaboga 于 2005 年提出的一种基于蜂群采蜜行为的新型群体 智能优化算法，具有控制参数少、计算简单、全局寻优能力强等优点。在函数优化处 理、人工神经网络训练、路径规划、滤波器设计等领域取得了较好的效果并受到越来 越多的学者的研究及推广。然而，作为一种新的智能进化优化算法，由于受到个体选 择策略和进化方式的影响，蜜蜂在搜索的过程中接近最佳蜜源时，仍然可能存在着搜 索速度减缓，种群个体多样性减少，算法收敛速度也会随之降低等问题，进而容易陷 入局部最优，最终导致算法早熟收敛。针对人工蜂群算法的诸多不足，本文在深入研 究人工蜂群算法的理论体系和应用领域的基础上，从多个角度对人工蜂群算法进行了 改进，并应用改进的人工蜂群算法在一定程度上解决了函数优化问题，实验结果表明 改进的蜂群算法对于解决函数优化问题达到了比较好的效果。 本文的具体研究工作如下： 1、详细介绍了人工蜂群算法的基本理论、内在机制和运行原理，并结合其他仿 生智能优化算法的机制，深入的研究了人工蜂群算法的优缺点和待改进的方向。 2、对人工蜂群算法进行了三个方向的改进，首先，为增大初始种群多样性，使 种群均匀分布在搜索空间，本文采用平均熵的策略来初始化种群，提高算法收敛于全 局最优解的鲁棒性；其次，针对目标函数自适应的调节邻域搜索的步长，从而提高 ABC 算法的局部搜索能力；最后，将自适应选择策略引入到人工蜂群算法中来代替 适应度比例选择法，随着当前蜜源性状的变化而动态地选择蜜源，平衡算法的全局搜 索能力和局部搜索能力。 3、将改进的人工蜂群算法应用于函数优化问题，在实验的过程中进行参数分析 和结果分析，经过对比实验，最终结果表明改进的人工蜂群算法在函数优化问题上具 有良好的性能。 4、将改进的人工蜂群算法与 RBF 神经网络结合，提出了一种基于改进人工蜂群 算法优化 RBF 神经网络的短时交通流预测模型，利用改进人工蜂群算法确定 RBF 网 络隐含层的中心值以及隐含层单元数，然后训练改进的人工蜂群算法 RBF 神经网络 预测模型，并将其应用到短时交通流预测进行有效验证。将实验结果与传统 RBF 神 经网络预测模型、BP 神经网络预测模型和小波神经网络预测模型进行了比较。对比 结果表明，该方法对短时交通流量的预测误差大大减小，预测精度相对提高，也相对 减少了在网络模型训练过程中需要调整参数的繁琐。 关键词：人工蜂群算法；函数优化；神经网络；交通流预测 II万方数据 II 万方数据 Abstract Abstract Karaboga proposed a novel swarm intelligence optimization algorithm named Artificial Bee Colony (ABC) based on the foraging behavior of bees in 2005. ABC algorithm possesses less control parameters, the characteristics of simplicity and good global search capability. ABC algorithm is successfully applied in various fields such as function optimization, artificial neural network training, path planning and filter design， has been researched and promoted by more and more researchers.However, as a kind of new intelligent evolutionary optimization algorithm, ABC algorithm has some drawbacks including slow searching speed, reducing individual diversity, slow convergence speed and easily trapped into local optima under the influence of individual selection strategy and evolutionary way when the ABC algorithm in the near global optimal solution. Aiminig at many problems of the ABC algorithm, this paper imp