基于多種混合策略的人工蜂群算法改進(jìn)研究.pdf

1、隨著科技的不斷進(jìn)步，在科學(xué)研究和工程實踐中遇到的問題變得越來越復(fù)雜，采用傳統(tǒng)的計算方法來解決這些問題面臨著計算復(fù)雜度高、計算時間長等問題。而近期廣泛研究的群體智能算法，由于不需要具體的數(shù)學(xué)模型和對所求解的問題不設(shè)定特別的假設(shè)，為求解此類問題開辟了新的研究思路。人工蜂群算法是2007年土耳其學(xué)者Karaboga提出的一類模仿蜜蜂群體的智能行為產(chǎn)生的算法，并且在同期出現(xiàn)的各種蜂群智能算法中，是應(yīng)用最廣泛、研究得最多的算法，現(xiàn)已成為群體智能研

2、究領(lǐng)域中的新興研究分支之一。但截至到目前，人工蜂群算法的體系研究還不夠成熟，存在算法結(jié)構(gòu)簡單、操作算子形式單一等問題。另外，對其現(xiàn)有的研究大都是針對相關(guān)領(lǐng)域的單目標(biāo)優(yōu)化問題，對多目標(biāo)問題的研究才剛剛起步，并且存在求解策略簡單、解的質(zhì)量不高、收斂速度慢等問題。因此，研究如何改進(jìn)人工蜂群算法，尤其是根據(jù)不同的優(yōu)化問題采用比較成熟的求解策略和操作算子來提高人工蜂群算法的性能，具有重要的理論意義和潛在的應(yīng)用價值。
　　本文在對現(xiàn)有的改進(jìn)人

3、工蜂群算法進(jìn)行充分研究和深入探索后，針對具體的優(yōu)化問題和算法中存在的不足，研究了幾種算法混合策略，設(shè)計了幾種改進(jìn)的人工蜂群算法，并且用典型的測試函數(shù)進(jìn)行大量的數(shù)值比較實驗。論文的主要研究成果包括以下內(nèi)容：
　　1、針對原算法的開采能力不足，尤其是在接近最優(yōu)解時，算法的搜索能力變?nèi)?，收斂速度變慢的問題，研究了混沌映射用于改進(jìn)人工蜂群算法的局部搜索性能。其中，Logistic混沌映射是一個非常簡單的經(jīng)典模型，在很多算法的改進(jìn)中所使用，

4、但它對初值設(shè)置的依賴性強(qiáng)，并且在0和1兩點附近的分布要多于其它區(qū)域。Tent映射產(chǎn)生的混沌序列更具有全局遍歷性，且分布較 Logistic映射更均勻，但由于存在不穩(wěn)定的周期點和不動點，在某些取值上分布較差。針對這些缺陷，本文對Tent映射進(jìn)行了改進(jìn)，并對二維混沌映射模型Hennnon映射進(jìn)行了研究，利用其具有映射空間大，動力學(xué)特性復(fù)雜且簡單易于實現(xiàn)的特點，改進(jìn)算法搜索范圍。
　　2、本文研究了兩種基于混沌搜索的人工蜂群算法用于求解

5、單目標(biāo)無約束優(yōu)化問題，分別是基于改進(jìn)的Tent映射的GTENTABC和基于Hennon映射的HENABC。在7種測試函數(shù)的實驗中，把以上兩種算法和常用的Logistic混沌搜索、Tent混沌搜索，以及基本的人工蜂群算法進(jìn)行比較，可得 GTENTABC算法不管是在單峰還是多峰問題上，都能在收斂速度和求解精度上獲得比基本的 ABC算法及其他混沌搜索算法較好的結(jié)果，并且隨著維數(shù)的增加，也能保持較好的有效性和魯棒性。說明 GTENTABC算法不

6、僅具有全局尋優(yōu)能力，而且具有較強(qiáng)的局部搜索能力。其次，采用二維混沌映射模型的 HENABC算法在多模態(tài)高維測試中獲得了良好的結(jié)果，可以得出 HENABC算法能擴(kuò)大算法搜索空間，比較適合于求解復(fù)雜的高維問題的結(jié)論。
　　3、針對人工蜂群算法求解約束優(yōu)化問題性能較差的缺點，受文化基因算法啟發(fā)，在前面 GTENTABC算法的基礎(chǔ)上，提出了一種基于可行規(guī)則的文化基因人工蜂群算法（MGT_ABC）來求解約束優(yōu)化問題。算法中采用差分搜索算法作

7、為文化基因框架里的演化算法進(jìn)行全局搜索，并采用可行規(guī)則來處理算法中的約束項，在算法的開始階段選取一定比例的蜂群個體按照差分進(jìn)化算法搜索蜜源位置，以提高種群的多樣性，隨后按照一定的概率模型進(jìn)行動態(tài)分配跟隨蜂進(jìn)行鄰域開采，將較多的計算資源動態(tài)分配給當(dāng)前表現(xiàn)較好的更新策略，以適應(yīng)約束優(yōu)化問題的特性。通過包括難約束Bump問題在內(nèi)的9個約束優(yōu)化問題進(jìn)行實驗，并與其他文獻(xiàn)中的算法進(jìn)行了比較，驗證了MGT_ABC算法的有效性。
　　4、針對多