基于改进人工蜂群算法的约束多目标优化方法技术

本发明专利技术针对于基本人工蜂群优化方法解决约束多目标优化问题的不足，以应急救援第一阶段物资调度问题为应用背景，提出一种基于改进人工蜂群算法的约束多目标优化方法。该方法基于反向解的定义提出融合反向学习的食物源初始化过程，来提高50％初始解的质量。同时，为了平衡优化过程的“开发”和“探索”能力，该方法将反向学习策略和广泛学习策略融合到蜜蜂搜索过程，以提升搜索效率。构建基于非线性缺失损失的多对多、一次性消耗应急物资调度约束多目标优化模型，并形成实施实例，大量测试结果表明，本方法与基本人工蜂群优化方法相比较，所求出的非支配前沿解数量更多，在解空间上的分配更广泛、均匀，更接近于Pareto最优解。

【技术实现步骤摘要】
【专利摘要】本专利技术针对于基本人工蜂群优化方法解决约束多目标优化问题的不足，以应急救援第一阶段物资调度问题为应用背景，提出一种。该方法基于反向解的定义提出融合反向学习的食物源初始化过程，来提高50％初始解的质量。同时，为了平衡优化过程的“开发”和“探索”能力，该方法将反向学习策略和广泛学习策略融合到蜜蜂搜索过程，以提升搜索效率。构建基于非线性缺失损失的多对多、一次性消耗应急物资调度约束多目标优化模型，并形成实施实例，大量测试结果表明，本方法与基本人工蜂群优化方法相比较，所求出的非支配前沿解数量更多，在解空间上的分配更广泛、均匀，更接近于Pareto最优解。【专利说明】
本专利技术属于人工智能研究领域，具体设及一种基于改进人工蜂群算法的约束多目 标优化方法。
技术介绍
优化是人们在经济、科学、工程和社会等领域最常碰见的问题，例如，应急决策、生 产调度、系统控制和经济模型等。上述应用领域的实践表明，同等条件下经过优化技术的处 理，系统效率、资源、经济效益等方面都有显著提高，而且，处理问题规模越大，相应效果也 越明显。为此设计更为高效、实用的优化算法，成为国内外各领域学者广泛关注的热点问 题。 随着工程技术和科学的发展，该些优化问题向大规模、多目标、非线性、强约束化 等方向发展，函数逼近法、牛顿法等传统的优化方法，由于要求目标函数连续可微、缺乏通 用性等问题，不再适用。而近几十年涌现的进化方法，如人工蜂群算法、遗传算法、模拟退火 算法、差分进化算法和粒子群算法等，由于不受捜索空间限制条件的约束且不需要其它辅 助信息，具有效率高、简单易操作、通用性强等特点，符合当前优化问题的客观要求，因而成 为主流优化方法。 人工蜂群算法是目前最前沿、最具前景的进化算法之一，与其他优化算法相比，具 有参数设置少、收敛速度快且收敛精度高等优点，因而自提出之日起，就受到众多学者的广 泛关注，并开始相关应用问题研究。然而，人工蜂群算法作为一种相对优秀的群智能优化 算法，目前尚处于研究初期，存在大量问题值得研究，其中迫切需要解决的问题有；如何拓 展其应用领域；如何为针对于单目标优化问题设计的人工蜂群算法引入多目标优化处理机 审IJ;如何处理应用问题中的约束条件；如何提高算法效率等。
技术实现思路
针对于人工蜂群算法用于优化问题的不足之处，本专利技术的目的是要提出一种基于 改进人工蜂群算法的约束多目标优化方法，其主要是面向应急调度优化该一新的应用领 域，将人工蜂群算法由单目标优化拓展到多目标，同时引入反向初始化、反向学习捜索、广 泛学习捜索等策略，提升优化方法效率。 为了实现上述目的，本专利技术所采用的计算方案为基于改进人工蜂群算法的约束多 目标优化方法，其在构建完应急调度应用问题模型，形成约束条件和优化多目标，选取多目 标适应度评价函数，确定食物源编码，完成算法相关参数的设置的基础上进行的，其具体步 骤如下如下： 步骤1 ;反向初始化阶段； [000引随机生成食物源，计算食物源的反向食物源，其公式如下： 【权利要求】1.，其采用反向食物源初始化过程；融 合反向学习策略的蜜蜂搜索过程和广泛学习策略的蜜蜂搜索过程；基于非线性缺失损失的 多对多应急物资约束多目标优化模型；其特征在于：其具体步骤如下： 步骤1:反向初始化阶段； 随机生成食物源，根据反向学习公式计算食物源的反向食物源；根据支配关系对食物 源和反向食物源进行精英选择，得到初始食物源，分别计算初始食物源的秩和拥挤距离，进 行多目标非支配排序； 步骤2:引领蜂阶段； 步骤2-1 :对每个对应唯一食物源的引领蜂，随机生成之间的随机数ri，若 !1￡之间的随机数r。，若r# [〇,Pbl)，Pbl为反向学习概率，Pble(0. 2, 0. 4)，则进行步骤3-3 ;若r[Pbl，Pbl+Pel)，Pc^广泛学 习概率PelG(〇. 1，〇. 3)，则进行步骤3-4 ;否则进行步骤3-5 ; 步骤3-3 :采用反向学习策略搜索新食物源； 跟随蜂采用步骤1的反向学习公式计算其对应食物源的反向食物源，并将反向食物源 作为新食物源；转步骤3-6 ; 步骤3-4 :采用广泛学习策略产生新食物源； 跟随蜂随机选取两个其他食物源，并将其对应食物源Food与选取的两个食物源进 行比较，基于非支配关系排序，选取betterFood进行随机权重rd的学习，形成新食物源 newFood，其公式如式（1)所示；转步骤3-6 ; 步骤3-5 :采用随机变异策略产生新食物源，转步骤3-6 ; 步骤3-6 :对新食物源进行约束校验纠正，若新食物源支配旧食物源，则选择新食物源 替旧食物源，并重新对所有食物源进行非支配排序； 步骤4 :侦察蜂阶段； 当一个食物源适应度值经过limit次循环之后没有得到改善，则该食物源被抛弃，与 之对应的引领蜂变为侦察蜂，重新随机搜索一个新位置来代替原食物源； 步骤5 :结束阶段； 判断算法调用评价次数是否达到上限，若达到，则算法停止，输出非支配前沿解集，否 则转步骤2。2. 根据权利要求1所述的，其特征在 于：所述反向学习公式为：其中：Foody表示食物源，Foodij表示期望食物源，为食物源p的Foody，Foodn为反向食物源。3. 根据权利要求1所述的，其特征在 于：所述非支配关系排序依据并根据秩小者优先，同秩拥挤距离小者优先的原则。【文档编号】G06N3/00GK104504439SQ201410699441【公开日】2015年4月8日 申请日期:2014年11月26日 优先权日:2014年11月26日 【专利技术者】赵明, 宋晓宇, 髙怡臣 申请人:沈阳建筑大学本文档来自技高网...

【技术保护点】
基于改进人工蜂群算法的约束多目标优化方法，其采用反向食物源初始化过程；融合反向学习策略的蜜蜂搜索过程和广泛学习策略的蜜蜂搜索过程；基于非线性缺失损失的多对多应急物资约束多目标优化模型；其特征在于：其具体步骤如下：步骤1：反向初始化阶段；随机生成食物源，根据反向学习公式计算食物源的反向食物源；根据支配关系对食物源和反向食物源进行精英选择，得到初始食物源，分别计算初始食物源的秩和拥挤距离，进行多目标非支配排序；步骤2：引领蜂阶段；步骤2‑1：对每个对应唯一食物源的引领蜂，随机生成[0,1]之间的随机数rl，若rl∈[0,Pbl)，Pbl为反向学习概率,Pbl∈(0.2,0.4)，则进行步骤2‑2；若rl∈[Pbl,Pbl+Pcl)，Pcl为广泛学习概率Pcl∈(0.1,0.3)，进行步骤2‑3；否则进行步骤2‑4；步骤2‑2：采用反向学习策略搜索新食物源；引领蜂采用步骤1的反向学习公式计算其对应食物源的反向食物源，并将反向食物源作为新食物源；转步骤2‑5；步骤2‑3：采用广泛学习策略产生新食物源；引领蜂随机选取两个其他食物源，并将其对应食物源Food与选取的两个食物源进行比较，其基于非支配关系排序，选取betterFood进行随机权重rcl的学习，形成新食物源newFood，其公式如式(1)所示；转步骤2‑5；newFood＝rcl×betterFood+(1‑rcl)×Food (1)步骤2‑4：采用随机变异策略产生新食物源；转步骤2‑5；步骤2‑5：对新食物源进行约束校验修正；若新食物源支配旧食物源，则选择新食物源替旧食物源，并重新对所有食物源进行非支配排序；步骤3：跟随蜂阶段；步骤3‑1：每个跟随蜂根据概率随机选取秩k，并在秩为k的食物源集合中随机选取一个食物源；步骤3‑2：跟随蜂对其选中食物源，随机生成[0,1]之间的随机数ro，若ro∈[0,Pbl)，Pbl为反向学习概率,Pbl∈(0.2,0.4)，则进行步骤3‑3；若ro∈[Pbl,Pbl+Pcl)，Pcl为广泛学习概率Pcl∈(0.1,0.3)，则进行步骤3‑4；否则进行步骤3‑5；步骤3‑3：采用反向学习策略搜索新食物源；跟随蜂采用步骤1的反向学习公式计算其对应食物源的反向食物源，并将反向食物源作为新食物源；转步骤3‑6；步骤3‑4：采用广泛学习策略产生新食物源；跟随蜂随机选取两个其他食物源，并将其对应食物源Food与选取的两个食物源进行比较，基于非支配关系排序，选取betterFood进行随机权重rcl的学习，形成新食物源newFood，其公式如式(1)所示；转步骤3‑6；步骤3‑5：采用随机变异策略产生新食物源，转步骤3‑6；步骤3‑6：对新食物源进行约束校验纠正，若新食物源支配旧食物源，则选择新食物源替旧食物源，并重新对所有食物源进行非支配排序；步骤4：侦察蜂阶段；当一个食物源适应度值经过limit次循环之后没有得到改善，则该食物源被抛弃，与之对应的引领蜂变为侦察蜂，重新随机搜索一个新位置来代替原食物源；步骤5：结束阶段；判断算法调用评价次数是否达到上限，若达到，则算法停止，输出非支配前沿解集，否则转步骤2。...

【技术特征摘要】

【专利技术属性】
技术研发人员：赵明，宋晓宇，髙怡臣，
申请(专利权)人：沈阳建筑大学，
类型：发明
国别省市：辽宁;21