改进的人工蜂群优化算法制造技术

本发明专利技术提供一种改进的人工蜂群优化算法，该改进的人工蜂群优化算法包括：步骤1：初始化种群及蜜源位置，设定采蜜蜂、观察蜂种群数量；步骤2，开展蜜源位置评价；步骤3，采蜜蜂结合粒子群算法和遗传算法开展蜜源邻域搜索；步骤4，若邻域搜索次数超过设定值，则采蜜蜂保留搜索到的最佳蜜源，观察蜂以一定概率跟随采蜜蜂，根据蜜源质量决定要放弃的蜜源并随机产生一个新蜜源代替；步骤5，当达到最大迭代次数或最小精度要求时，确定适应度最大的蜜源为最优解。该改进的人工蜂群优化算法通过交叉系数协调算法的探索能力和开发能力，提供一种稳定性和准确性大大提高的改进的人工蜂群优化算法，为解决复杂问题最优解提供了技术手段。为解决复杂问题最优解提供了技术手段。为解决复杂问题最优解提供了技术手段。

【技术实现步骤摘要】
mating optimization，简称HBMO)，其模拟由一只蜂王进化为一个包含一只或多只蜂王的蜂群的整个过程，并被用于解决可满足性问题。Amiri等(2007)基于K-均值聚类算法将自组织映射神经网络与HBMO结合用于细分网上书店市场；Niknam(2011)将HBMO分别与混沌局部搜索、模糊聚类技术结合以解决多目标配电网重构问题；Yang等(2009)用改进婚配的HBMO优化武器组网系统的军事布阵；Marinakis等(2010)将HBMO与多级邻域搜索——贪婪自适应搜索过程、扩展邻域搜索算法结合以解决车辆路径问题；Horng(2009，2010，2011)将HBMO分别与最大熵值技术、多级最小交叉熵值法、Linde-Buzo-Gray算法结合用于寻找图像边界及构造矢量量化的码本。除HBMO外，基于蜜蜂繁殖行为的蜂群算法还有蜜蜂进化型遗传算法和蜂王算法等。基于蜜蜂繁殖行为的蜂群算法本质上是对遗传算法(genetic algorithm，简称GA)的改进。最常见的基于蜜蜂采蜜行为的蜂群算法是Karaboga于2005年提出的人工蜂群算法(artificial bee colony algorithm，简称ABC)。Karaboga(2005)用ABC训练神经网络、聚类分析和解决约束优化问题；Kang等(2009)将ABC与Nelder-Mead单纯形法结合以解决逆分析问题；Pulikanti等(2009)将ABC与贪婪启发法、局域搜索结合以求解二次方程渐缩问题；Rebreyend等(2010)将ABC与贪婪法结合以优化多处理机调度；Omkar等(2011)用并行向量估计ABC优化多目标复合件设计；Jeya等(2010)用三种蜜蜂并行搜索的ABC优化软件测试定位。
[0005]在一种多规则人工蜂群改进算法专利中，提出根据编码操作方法生成初始解；进行解码操作，选取制造资源，计算目标函数值。该算法后期迭代寻优过程中未有全局最优值记忆和参与算法过程，致使该算法因全局探测能力不足而陷入局部最优解。同时根据规则选取初始解在一定程度上不利于增加进化群体的物种多样性和提高全局搜索能力。增加多样性的同时易导致进化系统后期的振荡，不能快速收敛于全局最优点。人工蜂群算法在接近全局最优时，仍旧存在搜索速度变慢、过早收敛、个体多样性减少，以致陷入局部最优解的问题。人工蜂群算法收敛速度较慢，究其原因就是其搜索公式式决定了其精于探索、疏于开发的特性。除ABC外，基于蜜蜂采蜜行为的蜂群算法还有虚拟蜜蜂算法、蜂群优化算法、自适应混沌量子蜜蜂算法、蜜蜂群优化算法、蜜蜂算法、蜜蜂采蜜算法及蜜蜂选巢算法等。目前，蜜蜂的采蜜行为、学习、记忆和信息分享的特性已成为群智能的研究热点之一。蜂群算法是一种新兴的群智能优化技术，其应用前景十分广阔。对蜂群算法的理论及应用进行深入研究将会在很大程度上拓展群智能和相关技术的研究与应用领域，使它们获得更大发展和广泛融合，从而能有效解决更多的实际问题。
[0006]为此我们专利技术了一种新的改进的人工蜂群优化算法，解决了以上技术问题。

技术实现思路

[0007]本专利技术的目的是提供一种克服了传统人工蜂群算法因全局探测能力不足而陷入局部最优解问题的改进的人工蜂群优化算法。
[0008]本专利技术的目的可通过如下的技术措施来实现：改进的人工蜂群优化算法，该改进的人工蜂群优化算法包括：步骤1：初始化种群及蜜源位置，设定采蜜蜂、观察蜂种群数量；步骤2，开展蜜源位置评价；步骤3，采蜜蜂结合粒子群算法和遗传算法开展蜜源邻域搜索；步骤4，若邻域搜索次数超过设定值，则采蜜蜂保留搜索到的最佳蜜源，观察蜂以一定概率跟随采蜜蜂，根据蜜源质量决定要放弃的蜜源并随机产生一个新蜜源代替；步骤5，当达到
最大迭代次数或最小精度要求时，确定适应度最大的蜜源为最优解。
[0009]本专利技术的目的还可通过如下的技术措施来实现：
[0010]在步骤1中，初始化蜜源，随机产生初始群体P，即SN个初始解；设置采蜜蜂、观察蜂数量，设置蜂群算法中参数，包括蜂群大小、蜜蜂最大搜索次数、蜜蜂搜索空间的上界和下界、迭代终止条件。
[0011]在步骤2中，蜜源评价，每个蜜源代表算法优化问题中的一个可能解，蜜源的质量对应着解的质量，用目标函数值或适应度值表示，以此评估蜜源质量。
[0012]在步骤3中，在采蜜蜂搜索邻近蜜源时，应用粒子群算法改进邻域搜索路径，使用全局最优解引导的人工蜂群算法较好地增强算法的开发能力，其搜索公式如下式所示：
[0013][0014]其中，x
i,j
为蜜源搜索的当前记忆位置，v
i,j
为搜索产生的新的候选位置，φ
i,j
为[-1,1]之间的随机数，X
Global
＝[X
Global
,1,X
Global
,2,
…
,X
Global
,D]为全局最优解，通过调节β的值平衡算法的探索与开发能力；在邻域搜索更新蜜源位置时应用遗传算法中二项交叉，建立交叉操作的公式如下式所示：
[0015][0016]其中，rand为0到1之间均匀分布的随机值，cr表示交叉系数，通过交叉系数cr来协调算法的探索能力和开发能力，优化采蜜蜂寻找最佳蜜源能力。
[0017]在步骤4中，当采蜜蜂邻域搜索次数没有超过限定值事，流程返回到步骤2。
[0018]在步骤5中，当没有达到最大迭代次数或满足最小精度误差时，流程返回到步骤2。
[0019]本专利技术的改进的人工蜂群优化算法，将粒子群和遗传算法思想引入融合到人工蜂群算法中，使用全局最优解的引导的人工蜂群算法较好地增强算法的开发能力，将二项交叉与人工蜂群算法结合，通过交叉系数协调算法的探索能力和开发能力，提供一种稳定性和准确性大大提高的改进的人工蜂群优化算法，为解决复杂问题最优解提供了技术手段。
附图说明
[0020]图1为本专利技术的改进的人工蜂群优化算法的一具体实施例的流程图。
具体实施方式
[0021]为使本专利技术的上述和其他目的、特征和优点能更明显易懂，下文配合附图所示作详细说明如下。
[0022]蜂群算法是模仿蜜蜂行为提出的一种优化方法，是集群智能思想的一个具体应用，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度。但人工蜂群算法在接近全局最优时，存在搜索速度变慢、过早收敛、个体多样性减少，以致陷入局部最优解的问题，因此将人工蜂群算法与粒子群算法、遗传算法相结合，对人工蜂群算法的邻域搜索公式进行改进。
[0023]具体的计算步骤如下：
[0024]1、(步骤101)初始化蜜源，随机产生初始群体P，即SN个初始解()，其中SN为采蜜蜂的数量，也等于蜜源数目。每个解X
i
(i＝1,2,3,...,SN)是一个D维的向量，D为优化参数的个数。
[0025]2、(步骤102)根据适本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.改进的人工蜂群优化算法，其特征在于，该改进的人工蜂群优化算法包括：步骤1：初始化种群及蜜源位置，设定采蜜蜂、观察蜂种群数量；步骤2，开展蜜源位置评价；步骤3，采蜜蜂结合粒子群算法和遗传算法开展蜜源邻域搜索；步骤4，若邻域搜索次数超过设定值，则采蜜蜂保留搜索到的最佳蜜源，观察蜂以一定概率跟随采蜜蜂，根据蜜源质量决定要放弃的蜜源并随机产生一个新蜜源代替；步骤5，当达到最大迭代次数或最小精度要求时，确定适应度最大的蜜源为最优解。2.根据权利要求1所述的改进的人工蜂群优化算法，其特征在于，在步骤1中，初始化蜜源，随机产生初始群体P，即SN个初始解；设置采蜜蜂、观察蜂数量，设置蜂群算法中参数，包括蜂群大小、蜜蜂最大搜索次数、蜜蜂搜索空间的上界和下界、迭代终止条件。3.根据权利要求1所述的改进的人工蜂群优化算法，其特征在于，在步骤2中，蜜源评价，每个蜜源代表算法优化问题中的一个可能解，蜜源的质量对应着解的质量，用目标函数值或适应度值表示，以此评估蜜源质量。4.根据权利要求1所述的改进的人工蜂群优化算法，其特征在于，在步骤3中，在采蜜蜂搜索邻近蜜源时，应用粒子群算法改进邻域搜索路径，使用全局最优解引导的人工蜂...

【专利技术属性】
技术研发人员：罗红梅，王长江，赵铭海，谷玉田，郑文召，陈攀峰，杨培杰，屈冰，张娟，王庆华，
申请(专利权)人：中国石油化工股份有限公司胜利油田分公司勘探开发研究院，
类型：发明
国别省市：