粒子群和人工蜂群混合算法的研究与应用-计算机技术专业论文.docxVIP

I I 摘要 最优化问题存在于人类社会各个领域，是目前研究的一个热点。群智能优化 算法是一种新兴的优化算法，其中，粒子群算法（Particle Swarm Optimization, PSO）模拟鸟群的觅食行为寻找最优解，优化单峰函数的问题时能快速收敛到最 优解，是应用较为广泛的几种智能算法之一。人工蜂群算法（Artificial Bee Colony, ABC ）模拟了蜜蜂的采蜜行为，通过探索比当前位置更优的蜜源位置来寻优， 优化多峰函数的问题时能取得较好的结果。本文针对 PSO、ABC 两种算法的特 点，提出了三种改进算法，并将其中一种算法应用于无线传感器网络覆盖优化问 题。 （1）提出了具有加快收敛速度（fast convergence）和自适应逃逸（adaptive escape）功能的粒子群算法（FAPSO）。该算法借鉴了 ABC 算法的思想，在算法 中增加了局部搜索功能，算法每进化一次粒子搜索两次，一次全局搜索，一次局 部搜索。同时借鉴 ABC 算法中侦查蜂有跳出局部最优的特点，在寻优过程中增 加“逃逸”功能。仿真实验表明，FAPSO 算法具有较好的全局寻优性能，加快了 算法的收敛速度，可有效避免“早熟”现象发生。 （2）提出了 ABC 和 PSO 自适应交互学习的优化算法（ABC-PSO）。该算法 中将群体分为两个子群，一个子群利用改进的 ABC 算法进化，另一个子群利用 PSO 算法进化，并自适应选取不同学习策略学习对方有用信息。仿真实验表明， ABC-PSO 结合了 ABC、PSO 两种算法的优点，在保持种群多样性的同时，平衡 了算法的局部开发能力和全局探索能力。 （3）提出了共享个体的 ABC 和 PSO 混合优化算法（PABC），并将其应用 于无线传感器网络覆盖中。该算法将种群分为子群 A 和子群 B。子群 A 依据 ABC 模式进化，子群 B 依据 PSO 模式进化。两子群的信息交换通过个体共享实现。 并在适当时候用蜂群找到的最优值替代粒子群最优值，以此指导个体向更好位置 运动，用粒子群最好位置替代蜂群中引领蜂最差位置，以此吸引更多跟随蜂向较 好的蜜源位置运动。实验结果表明，PABC 算法在高维和低维都具有更好的寻优 精度和寻优性能。在无线传感器网络覆盖优化问题中，PABC 算法能得到更好的 覆盖优化效果。 关键词：粒子群优化算法，人工蜂群算法，混合算法，无线传感器 Abstract Optimization problem is a hot topic in research, which existing in every field of hu man society. Swarm intelligence optimization algorithm is a new type of optimization algorithm. Particle Swarm Optimization（PSO）simulates the foraging behavior of birds to find the optimal solution. It is a widely used algorithm in several intelligent algorithms. It can quickly converge to the optimal solution for unimodal functions. Artificial Bee Colony algorithm is an optimization algorithm based on simulating the foraging behavior of honey bee swarm, can get better performance in multi-peak functions by exploring better nectar source than the current positions. In this paper, three improved optimization algorithms are proposed according to the characteristics of PSO algorithm and ABC algorithm, and one of improved algorithm is applied to the optimization problem of wireless sensor network coverage. This paper proposes a new PSO algorithm with fast convergence rate and