一种有效初始化人工蜂群算法种群的佳点集构造方法技术

本发明专利技术公开了一种有效初始化人工蜂群算法种群的佳点集构造方法，涉及计算智能技术领域，解决了由于部分佳点取法受限于指数函数取点的约束，收敛速度太慢，还有部分佳点取法由于存在失效个体影响了算法性能的问题，其技术方案要点是：基于数学家华罗庚的佳点集理论，提出第三种佳点取法，能让r

【技术实现步骤摘要】
一种有效初始化人工蜂群算法种群的佳点集构造方法
本专利技术涉及计算智能
，更具体地说，它涉及一种有效初始化人工蜂群算法种群的佳点集构造方法。
技术介绍
人工蜂群算法(ArtificialBeeColonyalgorithm，ABC)是一种模拟蜜蜂采蜜行为的算法。在人工蜂群算法中，引领蜂(雇佣蜂)是采蜜蜂，而观察蜂(跟随蜂)和侦察蜂(侦查蜂)是待采蜜蜂。引领蜂搜索蜜源并分享其信息以招募观察蜂一起去采蜜。观察蜂按照与这些蜜源质量成正比的概率去寻找蜜源。侦察蜂没有任何蜜源信息，只是自发地随机搜索蜂巢周围的蜜源。引领蜂和观察蜂各占种群规模的一半。每个蜜源仅有一只引领蜂搜索。换言之，引领蜂或观察蜂的数量与蜜源个数相等。如果某个蜜源经过预定义的limit次尝试后未得到进化，则这个蜜源就被与之关联的引领蜂放弃，该引领蜂则变成侦察蜂，这时用侦察蜂随机找到的新蜜源取代被放弃的蜜源。人工蜂群算法中的初始种群是随机产生的，而初始种群的质量会直接影响该算法的性能。数学家华罗庚于1978年提出佳点集理论。佳点集是单位空间中上好的均匀散布集合序列，用佳点集理论取点要比随机法偏差小很多。这是用佳点集方法取点会使算法快速收敛的理论依据。目前，很多研究者在设计各种算法时主要用佳点集理论产生初始化种群以保持种群的多样性和设计佳点交叉操作避免算法早熟收敛。例如，王坚浩用佳点集理论构造初始种群，提出一种基于入侵杂草蝙蝠混合算法的双子群任务规划方法；宁桂英用佳点集理论产生初始种群，提出一种求解0-1规划问题的差分进化算法；孙博文用佳点集理论初始化种群，提出一种改进灰狼优化算法与DV-Hop融合的算法；左姣姣用佳点集理论初始化种群，提出融合协同进化人工鱼群算法和支持向量机的雾霾预测方法；李敬明用佳点集理论初始化种群，提出一种基于数论佳点萤火虫算法与BP神经网络并行集成学习算法的旱情预测模型；伍铁斌用佳点集理论初始化种群，提出一种基于对数函数描述收敛因子的改进灰狼优化算法；韩博文用佳点集理论初始化种群，提出一种利用多策略融合量子粒子群算法进行多目标优化的解决方法；张玲用佳点集理论重新设计遗传算法中的交叉操作，提出佳点集遗传算法，并用该算法求解函数优化问题、可满足性问题、TSP和背包问题；Liu基于佳点集构造交叉算子提出一种求解约束优化问题的混合粒子群算法；龙文用佳点集理论初始化种群和对各聚类中选择的个体进行佳点集多父代交叉操作以生成新种群，提出一种求解约束优化问题的混合进化算法；曹凯提出一种自适应引导进化遗传算法，该算法采用佳点集理论产生初始种群，并对精英种群中的个体进行佳点集交叉操作。但是，各种算法一般都直接采用公式ek或2cos(2πk/p)取佳点，由于部分佳点取法受限于指数函数取点的约束，收敛速度太慢，还有部分佳点取法由于存在失效个体影响了算法的性能。因此，如何设计一种有效的初始化人工蜂群算法种群的佳点集构造方法是我们目前迫切需要解决的问题。
技术实现思路
本专利技术的目的是提供一种有效初始化人工蜂群算法种群的佳点集构造方法，具有使佳点取法中每个佳点均能够在单位立方体中，避免指数函数约束、失效个体影响算法性能的情况发生的效果。本专利技术的上述技术目的是通过以下技术方案得以实现的：一种有效初始化人工蜂群算法种群的佳点集构造方法，包括以下步骤：S1：初始化控制参数：问题维度D、种群规模NP或蜜源个数SN、最大循环次数MCN、每个蜜源尝试次数(trial1＝trial2＝...trialSN＝0)、限制次数limit、cycle＝1；基于佳点集理论构造人工蜂群算法中的初始种群，使Gs中的s与人工蜂群算法的问题维度D相等，Gs中的n个点集与SN个蜜源相对应；Gs是一个s维的单位立方体，令r∈Gs，则在Gs空间中作n个点的佳点集为：Pn(i)＝{({r1i},{r2i},...,{rsi}),1≤i≤n}；其中，{rki}代表取rki的小数部分，(1≤k≤s)以保证每个点的各维参数值都能够在单位立方体内；将佳点集映射到问题的可行域中，即xik定义为：xik＝xmink+PSN(i)k(xmaxk-xmink)；其中，xmaxk和xmink分别是xik的最大值和最小值；S2：评价初始种群：重复初始化SN个蜜源，并评价每个蜜源质量；S3：引领蜂阶段：产生引领蜂发现的蜜源，评价其质量，并用贪婪选择机制搜索蜜源；计算观察蜂选择引领蜂分享的各个蜜源的概率p(Xi)；S4：观察蜂阶段：产生观察蜂按概率p(Xi)选择的蜜源，评价其质量，并用贪婪选择机制搜索蜜源；S5：侦查蜂阶段：用侦查蜂随机找到的蜜源取代被放弃的蜜源；S6：保存最优蜜源：保存当前找到的最优蜜源。优选的，在步骤S1中，r是佳点的提法具体为：rk＝|2cos(2πk/p)|；其中，p是满足p≥2s+3的最小素数，cosx是周期函数，1≤k≤s。优选的，在步骤S2中：若求解单目标优化问题，其适应度函数定义为：其中，f(Xi)是蜜源Xi的目标函数值，fit(Xi)是Xi的适应度函数值；若求解多目标优化问题，用Pareto支配概念计算蜜源的适应度函数值，如果Xi＞Xj,(i,j＝1,2,...,SN)，即Xi优于Xj，则蜜源Xi在种群中可支配蜜源数量dom(Xj)加1，Xi的适应度函数值定义为：优选的，在步骤S3、S4中，贪婪选择机制搜索蜜源的具体步骤为：根据Pareto支配准则，判断领域搜索产生的新蜜源和当前蜜源之间的支配关系；若新蜜源支配当前蜜源，则保存新蜜源，同时，trial＝0，否则放弃新蜜源，保留当前蜜源，trial值加1。优选的，在步骤S3、S4中，Pareto最优解的保存和维护具体步骤为：利用外部档案保存已找到的Pareto最优解；每一轮搜索完成后，对外部档案进行更新，将找到的Pareto最优解加入外部档案，同时，删除外部档案中的劣解；当档案规模超出设定值，计算外部档案中每个Pareto解的拥挤距离，然后删除拥挤距离最小的解。优选的，在步骤S5中，蜜源的多样性维护具体步骤为：从外部档案中随机选择非劣解作为全局信息指导引领蜂和观察蜂进行邻域搜索和更新蜜源；当引领蜂发现或观察蜂选择某个蜜源Xi时，它们搜索附件蜜源Vi,Vi是由Xi改变某个参数vij获得的，即vij≠xij，Vi的其余参数与Xi相同，vij按下式产生：vij＝xij+φij(xij-xkj)；其中，xk为在外部档案中随机选择的非劣解。与现有技术相比，本专利技术具有以下有益效果：应用一种新的佳点取法构造人工蜂群算法中的初始种群，使Gs中的s与人工蜂群算法的问题维度D相等，Gs中的n个点集与SN个蜜源相对应；使佳点取法中每个佳点均能够在单位立方体中，避免受限于指数函数约束和存在失效个体从而影响算法性能的情况发生；对于求解单目标优化问题，新提出的佳点取法明显优于原有两种佳点取法和随机取点法；对于求解多目标优化问题,新提出的佳点取法比随机取点法具有更均匀的P本文档来自技高网...

【技术保护点】
1.一种有效初始化人工蜂群算法种群的佳点集构造方法，其特征是，包括以下步骤：/nS1：初始化控制参数：问题维度D、种群规模NP或蜜源个数SN、最大循环次数MCN、每个蜜源尝试次数(trial

【技术特征摘要】
1.一种有效初始化人工蜂群算法种群的佳点集构造方法，其特征是，包括以下步骤：
S1：初始化控制参数：问题维度D、种群规模NP或蜜源个数SN、最大循环次数MCN、每个蜜源尝试次数(trial1＝trial2＝...trialSN＝0)、限制次数limit、cycle＝1；
基于佳点集理论构造人工蜂群算法中的初始种群，使Gs中的s与人工蜂群算法的问题维度D相等，Gs中的n个点集与SN个蜜源相对应；
Gs是一个s维的单位立方体，令r∈Gs，则在Gs空间中作n个点的佳点集为：
Pn(i)＝{({r1i},{r2i},...,{rsi}),1≤i≤n}；
其中，{rki}代表取rki的小数部分，(1≤k≤s)以保证每个点的各维参数值都能够在单位立方体内；
将佳点集映射到问题的可行域中，即xik定义为：
xik＝xmink+PSN(i)k(xmaxk-xmink)；
其中，xmaxk和xmink分别是xik的最大值和最小值；
S2：评价初始种群：重复初始化SN个蜜源，并评价每个蜜源质量；
S3：引领蜂阶段：产生引领蜂发现的蜜源，评价其质量，并用贪婪选择机制搜索蜜源；计算观察蜂选择引领蜂分享的各个蜜源的概率p(Xi)；
S4：观察蜂阶段：产生观察蜂按概率p(Xi)选择的蜜源，评价其质量，并用贪婪选择机制搜索蜜源；
S5：侦查蜂阶段：用侦查蜂随机找到的蜜源取代被放弃的蜜源；
S6：保存最优蜜源：保存当前找到的最优蜜源。


2.根据权利要求1所述的一种有效初始化人工蜂群算法种群的佳点集构造方法，其特征是，在步骤S1中，r是佳点的提法具体为：rk＝|2cos(2πk/p)；其中，p是满足p≥2s+3的最小素数，cosx是周期函数，1≤k≤s。


3.根据权利要求2所述的一种有效初始化人工蜂群算法种群的佳点集...

【专利技术属性】
技术研发人员：张超群，
申请(专利权)人：广西民族大学，
类型：发明
国别省市：广西;45