【技术实现步骤摘要】
一种混沌人工蜂群最优数据获取方法、路径规划方法及资源调度方法
本专利技术涉及一种混沌人工蜂群最优数据获取方法、路径规划方法及资源调度方法，涉及路径规划和资源调度领域。
技术介绍
人工蜂群算法是土耳其学者Karaboga受到蜜蜂采蜜行为和跳舞传递信息行为的启发，在2005年提出来的群体智能算法，并且该算法因具有控制参数较少，实现简单，求解效果好等特性而受到广泛关注，并成功应用于参数优化、神经网络训练、车辆路径问题、最小属性约简等领域。但是传统的人工蜂群算法具有搜索速度慢，盲目搜索，在搜索过程中，会使检索的解具有重复性，重复解的危害会使算法在搜索过程中，易陷入局部最优。近年来，研究人员对人工蜂群算法进行了各种改进。针对人工蜂群算法收敛速度慢、容易出现"早熟"的缺点，李荣等人提出具有全局最优值引导的混沌蜂群算法。使用混沌序列初始化食源,增加初始解的随机性和多样性；观察蜂采用具有全局最优值引导的搜索策略,提高算法的收敛速度和全局搜索能力；在观察蜂搜索结束后,选取最优食源,对其进行混沌局部搜索,防止算法早熟,提高算法的局部搜索能力。刘鑫等人提出了一种基于自适应随机优化策略的...
【技术保护点】
1.一种混沌人工蜂群最优数据获取方法，其特征在于，在讨论机制的基础上实现，具体方法包括，S1，初始化种群参数，蜜源数设置为2SN，循环迭代最大次数为limit，引领蜂和跟随蜂各占种群规模的一半，数量为SN，引入混沌机制来初始化蜜源：Ck＝μCk‑1(1‑Ck‑1) (1)xij＝xmin j+Ck(xmax j‑xmin j) (2)
【技术特征摘要】
1.一种混沌人工蜂群最优数据获取方法，其特征在于，在讨论机制的基础上实现，具体方法包括，S1，初始化种群参数，蜜源数设置为2SN，循环迭代最大次数为limit，引领蜂和跟随蜂各占种群规模的一半，数量为SN，引入混沌机制来初始化蜜源：Ck＝μCk-1(1-Ck-1)(1)xij＝xminj+Ck(xmaxj-xminj)(2)其中：μ为Logistic方程的控制参数，表示方程陷入的混沌程度；k表示迭代次数，为大于等于1的自然数，xij代表第i个蜜源xi的第j维度值，i取值于{1,2,…,SN}，j取值于{1,2,…,D}，D为个体维度，xminj和xmaxj分别代表第j维的最小值和最大值；xk代表邻域蜜源，k取值于{1，2，…，SN}，且k不等于i；是取值在[－1，1]的随机数，通过公式得到新的蜜源，使用贪心算法，比较新旧蜜源的适应度值，保留最优值；pi为蜜源选择的概率，fit(xi)为蜜源xi的适应度值，f(xi)是目标函数在Vi上所取得的函数值；S2，用公式(4)计算每个蜜源的适应度值fit，设置讨论机制参数，保存每个蜜源的最优值；S3，对种群中的引领蜂平均分组，并进行组内讨论和组间讨论；其中组内讨论的具体方法包括，遍历每一组每一个个体进行组内讨论，结合公式Inew＝θ×I1+(1-θ)×I2与组内随机选择个体进行融合，进行比较，根据判断适应度得到较好的个体并保留较好的个体，更新种群，达到迭代条件，组内讨论结束；其中，I1和I2表示旧的个体值，θ表示[0,1]之间的一个随机数，Inew...
【专利技术属性】
技术研发人员：陈明志，陈荣忠，董晨，叶尹，林易光，张凡，周怡，饶庆裕，杨小权，李栋，
申请(专利权)人：厦门北卡信息科技有限公司，
类型：发明
国别省市：福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。