人工蜂群算法的改进研究.docxVIP

人工蜂群算法的改进研究 人工蜂窝算法（abc）由土耳其科学家karaboga于2005年提出。他的基本思想是鼓励蜂群通过分工和信息交流完成收集和蜜蜜任务。虽然单个蜜蜂的自身能力有限, 但在没有统一指挥的情况下, 整个蜂群却总是能较容易地发现优质蜜源。与经典的优化方法相比, ABC算法对目标函数和约束几乎没有要求, 在搜索过程中基本不利用外部信息, 仅以适应度函数作为进化的依据, 形成了以“生成+检验”为特征的人工智能技术。ABC算法具有操作简单、控制参数少、搜索精度较高和鲁棒性较强的特点。文献中指出与遗传算法 ( genetic algorithm, GA) 、差分进化算法 ( differential evolution, DE) 和粒子群优化算法 ( particle swarm optimization, PSO) 相比较, ABC算法的求解质量相对较好。目前, ABC算法已经成功应用于人工神经网络训练、组合优化、电力系统优化、系统和工程设计等多个领域。近年来, ABC算法得到了学术界的广泛关注, 但由于提出时间较晚, 目前的研究成果比较分散且缺乏系统性。 1 人工蜂窝法的计算 1.1 蜂群采蜜过程 蜜蜂是一种社会性群居性动物, 虽然单个蜜蜂的行为简单, 但群体却表现出极其复杂的智慧行为。自然界中的蜜蜂总能够高效地采集到花蜜, 同时还能适应环境的改变。生物学家研究发现蜜蜂以跳舞的方式来交换蜜源信息。采集到花蜜的蜜蜂, 返回到蜂巢后, 通过“8 字舞”的形式与同伴交流蜜源信息。引领蜂跳“8 字舞”的持续时间与蜜源的质量成正相关, 跟随蜂根据观察到的舞蹈选择蜜源进行采蜜。引领蜂发现的蜜源质量与跟随蜂选择该蜜源的概率成正比。在一定条件下, 引领蜂的角色转变为侦察蜂, 在蜂巢附近随机搜索新的蜜源。蜜蜂之间的这种信息交流方式使整个蜂群能以协同的方式高效完成采集蜂蜜的工作。 蜂群实现群体智慧的最小搜索模型包括蜜源、引领蜂、跟随蜂和侦察蜂共4 个组成要素, 以及招募蜜蜂和放弃蜜源2 种基本的行为。蜜蜂对蜜源的搜索一般有以下3 个步骤: 1) 引领蜂发现蜜源并通过“8字舞”的方式共享蜜源信息; 2) 跟随蜂根据引领蜂所提供的蜜源信息, 选择蜜源进行采蜜; 3) 引领蜂多次搜索找到的蜜源质量未有改善时, 放弃现有的蜜源, 转变成侦察蜂在蜂巢附近继续寻找新的蜜源。当搜寻到高质量的蜜源时, 其角色又将转变为引领蜂。ABC算法是模拟蜜蜂的采蜜过程而提出来的群体智能算法。同遗传算法与其他的群体智能算法不同, 角色转换是ABC算法特有的机制。蜂群通过引领蜂、跟随蜂和侦察蜂3 类不同角色的转换, 从而共同协作寻找高质量的蜜源。在ABC算法搜索寻优的过程中, 3 类蜜蜂的作用有所差别: 引领蜂用于维持优良解; 跟随蜂用于提高收敛速度; 侦察蜂用于增强摆脱局部最优的能力。 1.2 abc算法的核心部分 ABC算法在求解优化问题时, 蜜源的位置被抽象成解空间中的点, 代表问题的潜在解, 蜜源i ( i =1, 2, …, NP) 的质量对应于解的适应度值fiti, NP为蜜源的数量。ABC算法将蜂群分为引领蜂、跟随蜂和侦察蜂3 种类型, 其中引领蜂和跟随蜂各占蜂群的一半, 数量等于蜜源的数量, 且每个蜜源同一时间内只有一只引领蜂采蜜。 设求解问题的维数为D, 在t次迭代时蜜源i的位置表示为Xit= [xti1xti2… xtiD] , 其中, t表示当前的迭代次数; xid∈ ( Ld, Ud) , Ld和Ud分别表示搜索空间的下限和上限, d = 1, 2, …, D 。蜜源i的初始位置依照式 ( 1) 在搜索空间随机产生: 在搜索开始阶段, 引领蜂在蜜源i的周围根据式 ( 2) 搜索产生一个新的蜜源: 式中: d是在[1, D]中的一个随机整数, 表示引领蜂随机地选择一维进行搜索; j ∈ { 1, 2, …, NP} , j ≠ i , 表示在NP个蜜源中随机选择一个不等于i的蜜源; φ 是[- 1, 1]均匀分布的随机数, 决定扰动幅度 ( magnitude of the perturbation) 。当新蜜源Vi=[vi1vi2… vid]的适应度优于Xi时, 采用贪婪选择的方法用Vi代替Xi, 否则保留Xi。 所有的引领蜂完成式 ( 2) 的运算后, 飞回信息交流区共享蜜源信息。跟随蜂根据引领蜂分享的蜜源信息, 按式 ( 3) 计算的概率进行跟随: 然后, 跟随蜂采用轮盘赌的方法选择引领蜂, 即在[0, 1]产生一个均匀分布的随机数r, 如果pi大于r, 该跟随蜂按式 ( 2) 在蜜源i的周围产生一个新蜜源, 且采用同引领蜂相同的贪婪选择的方法确定保留的蜜源。 搜索过程中, 如果蜜源Xi经过trial次迭代搜索到达阈值limit而没有找到更