一种多角色自适应变维度驱动的人工蜂群算法制造技术

本发明专利技术公开了一种多角色自适应变维度驱动的人工蜂群算法，是变维度自适应扰动策略，提高了ABC算法分别在雇佣蜂、旁观蜂、侦查蜂阶段的广度探索效率，整体收敛速度和最终收敛精度。提出了随机型角色作为榜样蜜源的选取规则并设计搭配一个无偏探索算子，加强了ABC算法对解空间的广度探索能力；提出了精英型角色作为榜样蜜源的选取规则并设计搭配一个双偏好开采算子，深度开发潜在的最优邻域，良好权衡ABC对解空间的勘探与开采任务；提出了卓越型角色和潜力型角色作为榜样蜜源的选取规则并设计搭配一个跳出算子；有效驱动ABC的蜂群发现更具有发展潜力的候选蜜源，具有发展潜力的搜索方向，使ABC可以有效逃离可能的局部极值区域。区域。区域。

【技术实现步骤摘要】
一种多角色自适应变维度驱动的人工蜂群算法


[0001]本专利技术涉及一种多角色自适应变维度驱动的人工蜂群算法，属于人工智能


技术介绍

[0002]人工蜂群算法(artificial bee colony algorithm，简称ABC)是生物启发的智能优化家族中的代表性方法之一，其通过模仿蜂群的自然生理行为找到目标优化问题的最佳解决方案。由于具有结构简单、易于实现等优点，有关ABC算法的研究在最近几年有很大进展。然而，由于ABC算法的算子表现出更强的探索倾向，虽然在优化过程中可以保证充分的探索解空间，但在处理复杂的多模态问题时存在收敛缓慢和收敛精度低的缺陷。为了提高ABC算法的收敛性能，针对ABC的研究得到发展，对ABC的主流研究类型大致分为三类。第一类是对搜索方程的改进和设计，主要是将由全局最优解、次优解和邻域最优解组成的精英解的信息纳入其中，保证种群被引入最优区域进行开发。第二种是搜索方程融合策略的设计，主要包括搜索方程的打包融合，设计奖励机制，适应性的选择不同搜索方程。这实现了在优化过程中针对不同搜索阶段选用不同偏好的搜索方程。通过这种方式，可以很好地平衡探索与开发之间的关系。最后一个方面是邻域拓扑结构的设计，包括随机拓扑结构、环形拓扑结构、细胞拓扑结构等，其基本思想启发于：不同的邻域拓扑结构有可能描述不同适应度地貌的有潜力区域，从而促进搜索。然而，不同的拓扑结构仍然需要与不同特征的搜索方程配对。
[0003]尽管现有的多种ABC变体算法有效实现了ABC算法在收敛性和鲁棒性方面的性能增益，但这些算法在处理复杂多模态优化问题时，仍缺乏快速收敛能力和强健的局部逃生能力，算法整体性能提升仍具较大空间。注意到ABC算法的单维度扰动机制可以提供较好的局部开采性能，但这种单一维度扰动方式在一定程度上局限了种群多样性，而这一点对多模态问题的求解尤为重要。根据这一思路，我们专利技术了一种多角色自适应变维度驱动的人工蜂群算法。

技术实现思路

[0004]本专利技术的目的是提供一种广度探索的具有双重开发、局部逃生能力的一种多角色自适应变维度驱动的人工蜂群算法，包括以下步骤。
[0005]步骤1，种群初始化，随机产生一个规模为N的初始蜂群X＝(x1,x2,...,x
N
)，蜜蜂位置x
i
(i∈{1,2,...,N})代表所找到的蜜源，对蜜源进行适应度评估；参数初始化，设置搜索空间的上界和下界、终止条件为适应度评估的最大数量或找到最优蜜源；变维度自适应扰动策略初始化，当雇佣蜂与旁观蜂搜索时，线性调整交叉概率，运用模拟二进制交叉算子对试探蜜源v
i
/ox
best
/v
e
和原始蜜源x
i
/x
best
/x
e
进行交叉操作来确定候选蜜源u
i
/u
best
/u
e
，如公式(1
‑
2)所示。
[0006][0007][0008]其中，CR和CR0分别表示初始交叉概率和更新后的交叉概率。MaxFes和FEs分别表示适应度评估的最大数量和当前消耗的适应度评估，j∈{1,2,
…
,D}代表第j个决策变量，D表示决策变量数目，j
rand
是一个随机选择的决策变量。
[0009]步骤2，随机选择种群中的两个蜜源x
a
和x
b
作为榜样蜜源，记为随机型角色，然后使用无偏探索算子，如公式(3)所示，和公式(1
‑
2)产生候选蜜源u
i
。
[0010]v
i,j
＝x
a,j
+randU
i,j
(0,1)
·
(x
b,j
‑
x
a,j
)
ꢀꢀꢀ
(3)
[0011]其中v
i
＝(v
i,1
,v
i,2
,
…
,v
i,D
)是试探蜜源，a≠b，randU
i,j
(0,1)是[0,1]内的均匀分布随机数。
[0012]步骤3，根据公式(4)计算当前种群中个体的适应度，根据公式(5)计算其选择概率。采用轮盘赌选择确定旁观蜂阶段的榜样蜜源，记为精英型蜜源x
e
(e∈{1,2,...,N})，然后使用双偏好开采算子，如公式(6)所示，和公式(1
‑
2)产生候选蜜源u
best
/u
e
。
[0013][0014][0015][0016]其中fit
i
和f(x
i
)分别表示x
i
的适应度值和目标函数值，p
i
为x
i
的选择概率，x
k
同上，表示当前种群中的随机个体，满足k≠e，ox
best
是由x
best
产生的最优候选蜜源，KR∈[0,1]。
[0017]步骤4，基于帕累托法则，根据侦察蜂个体的目标函数值对种群进行优劣排序。取排名前0.2
×
N个最优蜜源作为侦查蜂阶段的第一榜样蜜源，记为卓越型角色；取排名后0.2
×
N个最差蜜源作为该阶段的第二榜样蜜源，记为潜力型角色，对于卓越型蜜源x
g
，随机选择一个潜力型蜜源x
p
，使用跳出算子，如公式(7)所示，和公式(1
‑
2)产生候选蜜源v
g
。
[0018]v
g
＝x
g
+R
g
·
(x
g
‑
x
p
)
ꢀꢀꢀ
(7)
[0019]其中R
g
为D维[0,1]内的均匀分布随机数向量。
[0020]步骤5，当终止条件，即评估次数到最大时或已经找到最优蜜源时，满足时，输出最优蜜源；否则，流程返回到步骤2。
[0021]由于采用了上述技术方案，本专利技术取得的有益效果有：
[0022]本专利技术设计了一个变维度自适应扰动策略，提高了ABC算法分别在雇佣蜂、旁观蜂、侦查蜂阶段的广度探索效率，整体收敛速度和最终收敛精度。
[0023]本专利技术提出了随机型角色作为榜样蜜源的选取规则并设计搭配一个无偏探索算子，为ABC算法提供了更多样化的搜索路径，加强了ABC算法对解空间的广度探索能力。
[0024]本专利技术提出了精英型角色作为榜样蜜源的选取规则并设计搭配一个双偏好开采算子，有效地保证ABC算法具备一定的种群多样性，同时可以深度开发潜在的最优邻域，良好地权衡ABC对解空间的勘探与开采任务。
[0025]本专利技术提出了卓越型角色和潜力型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多角色自适应变维度驱动的人工蜂群算法，其特征在于，一种多角色自适应变维度驱动的人工蜂群算法包括：步骤1：种群初始化、参数初始化、变维度自适应扰动策略初始化；步骤2，分配随机型蜜源，雇佣蜂采用无偏探索算子为当前蜜源寻找候选蜜源；步骤3，使用轮盘赌确定精英型蜜源，旁观蜂采用双偏好开采算子为全局最优蜜源或精英型蜜源寻找候选蜜源；步骤4，基于帕累托法则确定卓越型蜜源和潜力型蜜源，侦查蜂采用跳出算子为卓越型蜜源寻找候选蜜源；步骤5，当达到终止条件后，输出最优蜜源。2.根据权利要求1所述的一种多角色自适应变维度驱动的人工蜂群算法，其特征在于，在步骤1中，种群初始化，随机产生一个规模为N的初始蜂群X＝(x1,x2,...,x
N
)，蜜蜂位置x
i
(i∈{1,2,...,N})代表当前到的蜜源，对蜜源进行适应度评估；参数初始化，设置搜索空间的上界和下界、终止条件为适应度评估的最大数量或找到最优蜜源；变维度自适应扰动策略初始化，当雇佣蜂与旁观蜂搜索时，线性调整交叉概率，运用模拟二进制交叉算子对试探蜜源v
i
/ox
best
/v
e
和原始蜜源x
i
/x
best
/x
e
进行交叉操作来确定候选蜜源u
i
/u
best
/u
e
，如公式(1
‑
2)所示；2)所示；其中，CR和CR0分别表示初始交叉概率和更新后的交叉概率；MaxFes和FEs分别表示适应度评估的最大数量和当前消耗的适应度评估次数，j∈{1,2,
…
,D}代表第j个决策变量，D表示决策变量数目，j
rand
是一个随机选择的决策变量。3.根据权利要求1所述的一种多角色自适应变维度驱动的人工蜂群算法，其特征在于，在步骤2中，随机选择种群中的两个蜜源x
a
和x
b
作为榜样蜜源，记为随机型角色，然后使用无偏探索算子，如公式(3)所示，和公式(1
‑
2)产生候选蜜源u
i
；v
i,j
＝x
a,j
+randU
i,j
(0,1)
·
(x
b,j
‑
x
a,j
)
ꢀꢀꢀꢀ

【专利技术属性】
技术研发人员：于海波，康亚鑫，康丽，乔钢柱，曾建潮，
申请(专利权)人：中北大学，
类型：发明
国别省市：