【技术实现步骤摘要】
一种基于人工蜂群算法解决SEVM模型问题的方法
本专利技术涉及随机规划
，特别涉及一种基于人工蜂群算法解决SEVM模型问题的方法。
技术介绍
随机规划已经在最优控制、电力调度、物流管理、信号与图像处理等应用领域展现了强大的生命力，然而在该类问题的求解时由于随机参数的注入，使得这类问题的求解算法自清华大学刘宝碇教授提出用遗传算法求解以来未取得重大进展。因遗传算法自身所固有的一些不足之处例如，控制变量较多、收敛缓慢、遗传操作过程复杂、局部搜索能力差以及计算量大等等，更高效的SEVM模型问题的求解算法依然是广大研究者们的关注点。
技术实现思路
为了克服上述现有技术的不足，本专利技术的目的在于提供一种基于人工蜂群算法解决SEVM模型问题的方法，为SEVM问题的求解提供一个比经典的遗传算法更有效的求解方法，它具有的局部搜索和全局搜索并进的搜索策略使得该算法具有了很强的全局收敛、寻优能力，再加之该算法需要设置的参数不多，迭代规程中每次的计算量较小，使得其搜索速度和收敛速度都比较快，具有求解速度快，求解质量高等特...
【技术保护点】
1.一种基于人工蜂群算法解决SEVM模型问题的方法，其特征在于，包括以下步骤；/n步骤一：建立模型：/nSEVM单目标模型可描述为以下形式：/n
【技术特征摘要】
1.一种基于人工蜂群算法解决SEVM模型问题的方法，其特征在于，包括以下步骤；
步骤一：建立模型：
SEVM单目标模型可描述为以下形式：
这里：ξ，x分别代表随机向量和决策向量，gj(x，ξ)表示随机约束函数，f(x，ξ)刻画的是随机目标函数，期望值算子用E来进行表征，该模型表示了在随机期望值约束下使目标事件成立的随机机会函数最优；
决策者在给定了部分优先结构与管理目标之后，可以极小化与此目标的负偏差或正偏差，得到了SEVM模型的目标规划模型：
这里，pj代表了优先系数，表示了每个目标的相对重要程度，且对于有pj＞＞pj+1；系统约束函数用gj表示；目标i低于目标值的偏差用表示；目标i高于目标值的偏差用表示；目标约束的数目用m表示；系统约束的数目用p表示；优先级的数目用1表示；目标i的函数值用bi表示；第i个目标的第j个优先级的正、负偏差权重系数分别通过uij和vij来表示；
步骤二：人工蜂群算法寻优的基本流程：
设求解问题的维数为D，蜜源的位置代表了问题的一个潜在解，蜜源的个数为SN，在ABC算法中，优化问题的求解过程就是在D维空间搜索最优解，设蜜源i在第n次迭代时的位置表示为xi＝[xi1，xi2，…xiD]，蜜源i的初始位置(潜在解)依据下式在搜索空间随机产生：
式中，j为D维解向量的某个分量；是第j维的上界和下界；
采蜜蜂依据如下式(2)在当前位置邻域进行搜索新的蜜源：
式中，k≠i，表示在蜜源中随机选择一个不等于i的蜜源；若新蜜源的适应度优于时，则使用贪婪选择策略保留较好解，采蜜蜂们完成了(2)的运算后，返回交流区共享蜜源信息，观察蜂按照采蜜蜂分享的蜜源信息依据下式(3)的值选择一个蜜源：
式中，SN表示解的个数，fiti表示第i个解的适应度值；
以求最小化的优化问题为例，解的适应度值依据下式(4)计算：
式中，fi表示第i个解的函数值；
当所有的采蜜蜂和观察蜂都搜索完了整个搜素空间时，若蜜源的适应值经过number次在给定的阈值(蜜源花蜜量所经过的有限次搜索)limit仍然没有得到更好的蜜源时，表明这个解陷入了局部最优，那么该蜜源将被放弃，与此同时，与该蜜源所对应的采蜜蜂就变成侦察蜂，侦察蜂将通过下式(5)随机地产生一个新的潜在解；
式中，是第j维的上界和下界。
步骤三：随机模拟的随机期望值估计算法求解随机期望值函数流程：
常规的解析法很难计算含有随机变量的期望值函数，而通过随机模拟技术可...
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。