一种全局最优引导的自扰动混沌人工蜂群算法制造技术

本发明专利技术公开一种全局最优引导的自扰动混沌人工蜂群算法，针对现有蜂群算法收敛速度慢，通过混沌序列初始化解空间，提高算法收敛速度。针对现有算法局部搜索能力强但全局寻优能力较差的缺点，在雇佣蜂巡游阶段加入粒子群算法的全局最优引导策略，提高算法的全局搜索能力。针对蜂群算法后期容易陷入早熟收敛的问题，在跟随蜂寻优阶段加入Lévy飞行策略，跳出局部最优，避免早熟收敛。由于解的位置对算法后期求解精度和算法收敛速度具有一定影响，本发明专利技术通过轴对称方法进行边界自扰动，修改侦查蜂搜索新解中超出解空间位置的新解位置，提高算法效率。

A Self-perturbation Chaotic Artificial Bee Colony Algorithm with Global Optimal Guidance

The invention discloses a self-perturbing chaotic artificial bee colony algorithm with global optimal guidance, aiming at the slow convergence speed of the existing bee colony algorithm, the solution space is initialized by chaotic sequence to improve the convergence speed of the algorithm. Aiming at the shortcomings of the existing algorithms, which have strong local search ability but poor global search ability, the global optimal guidance strategy of particle swarm optimization (PSO) is added in the hiring bee cruise phase to improve the global search ability of the algorithm. In order to solve the problem of early convergence in the later stage of the bee colony algorithm, the L vy flight strategy is added in the following bee optimization stage to jump out of the local optimum and avoid premature convergence. Since the position of the solution has certain influence on the accuracy of the later solution and the convergence speed of the algorithm, the boundary self-perturbation is carried out by the axisymmetric method to modify the position of the new solution beyond the space position of the solution in the search of the new solution by the Scout bee, so as to improve the efficiency of the algorithm.

【技术实现步骤摘要】
一种全局最优引导的自扰动混沌人工蜂群算法
本专利技术涉及一种全局最优引导的自扰动混沌人工蜂群算法。
技术介绍
2005年Karaboga等人提出了人工蜂群(ArtificialBeeColony)算法[1-2]，模仿蜂群跳舞和采蜜的觅食行为，进行寻优。人工蜂群算法效率高，快速得到局部最优解，并且得到的解精度高，因此得到国内外学者的广泛关注，已被成功应用于构建斯坦纳树、人工神经网络训练、最小属性约简等领域。和其他群智能算法类似，人工蜂群算法同样也有易陷入局部最优，收敛速度慢，搜索和开发能力不平衡，局部搜索能力较强但全局搜索能力较差等缺点。随着各类工程问题变得越来越复杂，传统方法已经无法满足工程应用的需要，新型群智能算法已被广泛应用于各类现实工程问题当中。但算法容易陷入局部最优，无法满足实际应用的需求，如何提高算法效率，避免陷入早熟收敛，尤其在遇到高维复杂工程问题时保持算法的稳定性，提高算法的实用性，都成为人工蜂群算法优化中亟待解决的问题。国内外已经有众多学者对人工蜂群算法进行改进，提高了算法的全局寻优能力，改善求解精度，避免陷入局部最优，已经成功应用于各类型问题。HeY[3]将二进制A本文档来自技高网...

【技术保护点】
1.一种全局最优引导的自扰动混沌人工蜂群算法，其特征在于：其包括以下步骤：步骤1，初始化种群数量2*SN,雇佣蜂employed bee和跟随蜂onlooker bee各SN,侦查蜂scout，迭代次数maxiter,跟随蜂的最大搜索次数limit；步骤2，利用混沌理论产生混沌序列，初始化解空间；具体地，其中利用Logistic映射式(1)产生混沌序列，并利用公式(2)进行候选解初始化。sn+1＝μsn(1‑sn)                                          (1)xij＝xmin,j+sn(xmax,j+xmin,j)                  ...

【技术特征摘要】
1.一种全局最优引导的自扰动混沌人工蜂群算法，其特征在于：其包括以下步骤：步骤1，初始化种群数量2*SN,雇佣蜂employedbee和跟随蜂onlookerbee各SN,侦查蜂scout，迭代次数maxiter,跟随蜂的最大搜索次数limit；步骤2，利用混沌理论产生混沌序列，初始化解空间；具体地，其中利用Logistic映射式(1)产生混沌序列，并利用公式(2)进行候选解初始化。sn+1＝μsn(1-sn)(1)xij＝xmin,j+sn(xmax,j+xmin,j)(2)其中μ∈[0,4]为随机数，i＝1，…，SN，且SN为蜜源数量；j＝1，…，D，且D为个体维度；n表示迭代次数；xmin,j为第j维下界，xmax,j为第j维上界；sn+1、sn为混沌序列中相应的数值；xij为第i个候选解的第j维；步骤3，在雇佣蜂阶段，引入粒子群中的当前全局最优解引导策略，提高算法的全局搜索能力，寻优公式如下：其中iter为当前迭代次数，maxiter为最大迭代次数，a是(0,1)间的常数，xgj为当前最优解的第j维；vij为雇佣蜂的速度；r1为(-1,1)的随机数；步骤4，判断雇佣蜂搜索到的新解是否在规定的上下界之外；当雇佣蜂蜂搜索到的新解在规定的上下界之外时，对越界的个体进行越界处理；否则，执行步骤5；步骤5，在跟随蜂搜索阶段采用Lévy搜索策略搜索候选解，公式如(5)所示：vij＝xij+(xij-xkj)*(r2-0.5)*2+(xgj-xkj)*s*r2*0.001(5)其中，xij为第i个候选解的第j维，xkj为第k个候选解的第j维(k≠i)，xgj为当前最优解的第j维；r2为(0,1)的随机数，s为Lévy飞行策略的步长；步骤6，判断跟随蜂搜索到的新解是否在规定的上下界之外；当跟随蜂搜索到的新解在规定的上下界之外时，对越界的个体进行越界处理；否则，执行步骤7；步骤7，根据目标测试函数值和适应度计算公式计算候选解的适应度值；并结合贪婪选择算法更新候选解，若更新的候选解适应度值高于原来的候选解，则取代原来的候选解；否则保留原来的候选解；步骤8，判断达到最大搜索次数limit时搜索到的候选解是否更新；当达到最大搜索次数limit时搜索到的候选解还未更新，相应位置转变为侦查蜂，由侦查蜂在解空间范围内随机生成新的候选解；再将新的候选解的侦查蜂变为雇佣蜂并执行步骤...

【专利技术属性】
技术研发人员：郭文忠，林诗洁，陈荣忠，王智强，董晨，陈震亦，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35