一种基于运行过程中历史信息自适应的人工蜂群优化方法技术

本发明专利技术公开了一种基于运行过程中历史信息自适应的人工蜂群优化方法，采用多种策略并行搜索，根据运行过程中的历史信息不断调整并指导各种策略的使用比例；方法中平衡全局搜索代价的重要参数Limit随着运行过程中的历史信息不断调整该参数所属的高斯分布。本发明专利技术中人工蜂群优化方法根据运行过程中的历史信息实现了动态分配多种搜索策略使用比例，并且动态调整了平衡全局搜索代价的重要参数。在适应度函数计算次数相同的情况下，本发明专利技术具有更优质、更高效的函数优化效果。

【技术实现步骤摘要】

本专利技术属于人工智能领域，具体为一种基于运行过程中历史信息自适应的人工蜂群优化方法。
技术介绍
无论是工程实践中的设计优化，还是社会发展与国民经济中的规划与决策，大都可以归结为优化问题。采用优化方法，可以对这些问题中相互冲突的目标进行更好的权衡并得出满意的优化结果，从而提高人类改造自然、改造社会的能力。而在实际生活中，大部分优化问题都是超过NP难度的，很难在有限的时间和客观条件限制中找出最优的解决方案。因此，如何在有限的时间和客观环境中快速的获得最优的或令人相对满意的解决方案，对提高生产率、促进社会发展具有重要的理论和实践意义。目前，国内外相关的研究者对优化方法的研究主要集中在启发式算法方面。但是，确定性启发式算法有两个无法避免的弊端，一方面确定性启发式算法过分依赖于问题本身的结构，另一方面会生成实际中不存在或不合理的解，求解质量也不够理想。而借鉴仿生学发展起来的元启发式算法在确定性启发式算法的基础上增加了随机性因素，通过模仿自然界的某些现象和过程进行优化，能够更加有效的解决优化问题。受生物信息启发的群智能算法是一类重要的元启发式算法，以其独特的优点和机制在组合优化领域正逐渐被人们所重视。该类算法对问题模型的要求不高，往往能利用一定的机制跳出局部最优、进而得出整体最优解。人工蜂群算法是群智能算法的最新发展成果，其作用机制是一种源于对蜂群内部分工机制及其觅食行为的模拟，自提出的八年来已被广泛应用于多种优化问题并表现出了较强的求解能力，足以表明该算法的有效性。在已有算法中，平衡全局搜索代价的重要参数Limit往往被取为常数，然而需要解决的问题都有着突出的复杂性、特殊性。当发送雇佣蜂后，雇佣蜂寻找新的食物源，根据寻找到的食物源的质量，选择是否替换当前的雇佣蜂携带的食物源信息，所有的雇佣蜂的搜索计数器Limit值被保存在雇佣蜂Limit值信息表中。当雇佣蜂的食物枯竭时(某只雇佣蜂的Limit值大于设定的阈值时)雇佣蜂转变为侦察蜂，跳出局部范围并在全局范围内寻找新的落脚点并重新转变为雇佣蜂。针对整个算法执行过程中，Limit值都是固定不变的，这样不但导致算法消耗的代价高，而且解的质量没有提高，甚至降低，也就是说当雇佣蜂还没有找到局部较好的值时，已经达到放弃该食物源的条件，必须放弃该食物源，这种情况下，不但消耗了时间，而且雇佣蜂浪费了搜索过程中的计算、替换等操作。增加算法代价的同时，没有提高算法效率，更不利于找到优质解。针对这种代价消耗高，产出效率低的情况，可以根据雇佣蜂Limit信息值被更新情况的反馈，来动态调整参数Limit值以使算法中的各项代价达到最小。已有的人工蜂群算法中无论是雇佣蜂还是观察蜂，都只采用了一种在整个优化过程中不变的搜索策略，而不同的优化问题其问题空间与解空间都存在较大差别，从而导致算法对某些问题有效，而对其它问题求解效果却不是很理想。雇佣蜂根据搜索策略的反馈信息，决定了下一轮搜索策略的采用情况，以迭代反馈的方式对搜索策略的选择按照某一实时概率进行调整，以确定一个相对优的搜索策略来实现全局最优。
技术实现思路
为了解决现有技术中存在的问题，本专利技术提供一种基于运行过程中历史信息自适应的人工蜂群优化方法，通过多次迭代，最终找到一个使全局适应度值最大的解，在人工蜂群算法的基础上加入了策略自适应调整机制，优化配置了问题空间与雇佣蜂搜索策略之间的关系，利用当前搜索结果情况，自适应调整算法中下一阶段各种策略所采用的比例。为实现上述目的，本专利技术采取的技术方案为：一种基于运行过程中历史信息自适应的人工蜂群优化方法，包括以下步骤：步骤1：初始化算法中的各项参数，所述各项参数为食物源数量SN、迭代总次数N、第t次迭代N(t)、搜索策略k被选择的概率Pk、一个学习区间包括G次迭代、第m个学习区间G(m)；步骤2：计算N(0)阶段各食物源xi质量；步骤3：把所有食物源随机分为k组，并给每个食物源记录所属的组号，根据每个食物源xi按照Limit分布情况N(σ2)，随机生成值；步骤4：若N(t)＜N，转向步骤5；步骤5：计算N(t)属于对应学习区间中的第n次迭代；若n等于1并且N(t)＞G；执行重新为每只雇佣蜂选择雇佣蜂搜索策略，并根据所选策略，为该策略下的雇佣蜂选择下一个学习区间使用的转向步骤6；若n等于0并且N(t)＞G-1；分析上一个学习区间中，各种搜索策略下雇佣蜂的搜索效果以及各策略所对应的高斯分布对搜索结果产生的影响，并计算出下一个学习区间中各种搜索策略使用的比例以及的高斯分布，转向步骤6；若各参数不满足步骤5所限定的条件，转向步骤6；步骤6：执行常规的雇佣蜂搜索任务；步骤7：计算各个食物源的适应度函数值，并计算观察蜂选择概率；步骤8：发送观察蜂；步骤9：比较并保存当前最佳食物源；步骤10：发送侦察蜂；步骤11：N(t)+1，转向步骤4；步骤12：若N(t)＜N不成立，转向步骤13；步骤13：得到当前种群中适应度函数最大的食物源以及对应的食物源信息。其中，本专利技术算法运行过程中，并行使用多种雇佣蜂搜索策略，并且选择各种策略之间的特点差异性较大的策略，从而满足不同问题空间和算法进行阶段对于搜索策略的需要。每经历一个阶段的迭代，算法中的每只雇佣蜂就从候选的多种策略中重新选择一种策略，候选的各种策略被选择的概率，根据该策略在当前阶段中的表现决定。接下来的阶段中，每只雇佣蜂就按照自己重新选择的搜索策略进行搜索。在前一阶段搜索效果越理想的搜索策略，在接下来的阶段中被选择的概率更大。与现有技术相比，本专利技术的有益效果为：在人工蜂群算法的基础上加入了策略自适应调整机制，优化配置了问题空间与雇佣蜂搜索策略之间的关系，利用当前搜索结果情况的历史信息，自适应调整算法中下一阶段各种策略所采用的比例。同时，平衡全局搜索能力的重要参数Limit根据使用的搜索策略、问题空间等情况的不同，自适应的进行调整，可以改善算法效率。本方法有更高的准确率与灵活性具体表现在以下两个方面：1)雇佣蜂搜索策略自适应部分，由于所针对的具体问题不尽相同，根据当前阶段的搜索历史信息，自适应调整下一阶段算法中各种策略所采用的比例，最终得到一个更加优质的解，同时提高了方法的效率。2)针对参数优化部分，Limit值是用来限制放弃一个食物本文档来自技高网...

【技术保护点】
一种基于运行过程中历史信息自适应的人工蜂群优化方法，其特征在于，包括以下步骤：步骤1：初始化算法中的各项参数，所述各项参数为食物源数量SN、迭代总次数N、第t次迭代N(t)、搜索策略k被选择的概率Pk、一个学习区间包括G次迭代、第m个学习区间G(m)；步骤2：计算N(0)阶段各食物源xi质量；步骤3：把所有食物源随机分为k组，并给每个食物源记录所属的组号，根据每个食物源xi按照Limit分布情况随机生成值；步骤4：若N(t)＜N，转向步骤5；步骤5：计算N(t)属于对应学习区间中的第n次迭代；若n等于1并且N(t)＞G；执行重新为每只雇佣蜂选择雇佣蜂搜索策略，并根据所选策略，为该策略下的雇佣蜂选择下一个学习区间使用的转向步骤6；若n等于0并且N(t)＞G‑1；分析上一个学习区间中，各种搜索策略下雇佣蜂的搜索效果以及各策略所对应的高斯分布对搜索结果产生的影响，并计算出下一个学习区间中各种搜索策略使用的比例以及的高斯分布，转向步骤6；若各参数不满足步骤5所限定的条件，转向步骤6；步骤6：执行常规的雇佣蜂搜索任务；步骤7：计算各个食物源的适应度函数值，并计算观察蜂选择概率；步骤8：发送观察蜂；步骤9：比较并保存当前最佳食物源；步骤10：发送侦察蜂；步骤11：N(t)+1，转向步骤4；步骤12：若N(t)＜N不成立，转向步骤13；步骤13：得到当前种群中适应度函数最大的食物源以及对应的食物源信息。...

【技术特征摘要】
1.一种基于运行过程中历史信息自适应的人工蜂群优化方法，
其特征在于，包括以下步骤：
步骤1：初始化算法中的各项参数，所述各项参数为食物源数量
SN、迭代总次数N、第t次迭代N(t)、搜索策略k被选择的概率Pk、一
个学习区间包括G次迭代、第m个学习区间G(m)；
步骤2：计算N(0)阶段各食物源xi质量；
步骤3：把所有食物源随机分为k组，并给每个食物源记录所属
的组号，根据每个食物源xi按照Limit分布情况随机生成
值；
步骤4：若N(t)＜N，转向步骤5；
步骤5：计算N(t)属于对应学习区间中的第n次迭代；若n等于1
并且N(t)＞G；执行重新为每只雇佣蜂选择雇佣蜂搜索策略，并根据所
选策略，为该策略下的雇佣蜂选择下一个学习区间...

【专利技术属性】
技术研发人员：张长胜，刘婷婷，张斌，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21