基于不可行解改进策略的精英中心人工蜂群算法制造技术

基于不可行解改进策略的精英中心人工蜂群算法，构造了一种新的以精英为中心的搜索方程，其可以同时应用于雇佣蜂及旁观蜂阶段。根据蜂群种类及搜索经验，搜索方程中的未知项自适应地更改。同时，为了减少计算资源的浪费，重合的解分量被调整，且调整的策略根据蜂群种类决定，这有利于平衡算法的开发及勘探能力。此外，为了在适当使用优秀个体的同时减缓群体多样性的丧失，新的侦查蜂阶段有几率产生不可行解，该种解的产生依赖于群体现状。本发明专利技术利用不可行解尝试协助蜂群的搜索，以更快地获得全局最优解。最后，为了加快种群的收敛，本发明专利技术将计算资源进行倾斜，使资源的整体利用趋势由勘探转变为开发。探转变为开发。探转变为开发。

【技术实现步骤摘要】
基于不可行解改进策略的精英中心人工蜂群算法


[0001]本专利技术涉及一种基于不可行解改进策略的精英中心人工蜂群算法。

技术介绍

[0002]人工蜂群最早在Karaboga,D.(2005)《基于蜂群的数值优化思想》中被提出，其作为新的基于蜂群的智能优化算法，可用于解决单模和多模的数值函数优化问题。该算法可以有效用于多变量、多模态的函数优化，其在这些函数上的性能优于或类似于GA、DE、PSO和ES算法。因为该算法使用的控制参数较少、有很好的鲁棒性，许多研究人员对其进行研究。
[0003]在应用领域上，ABC算法已成功应用于解决各种现实的优化问题。
[0004]文献《一种改进的人工蜂群算法用于实参数优化》(Bahriye Akay,Dervis Karaboga发表在《信息科学》192,2012,120
‑
142,0020
‑
0255)，将ABC算法进行改进，并将其应用于有效求解实际参数优化问题。
[0005]文献《一种新的聚类方法:人工蜂群(ABC)算法》(Dervis Karaboga,Celal Ozturk，应用软件计算，11,1,2011,652
‑
657,1568
‑
4946)，将ABC算法用于数据聚类，并证实了其可以有效用于多变量数据聚类。
[0006]文献《求解约束优化问题的人工蜂群优化算法》(Karaboga,D,Basturk,B.，模糊逻辑和软计算的基础，2007)，将ABC算法扩展用于求解约束优化问题，并将其用于一组约束问题。
[0007]文献《基于人工蜂群算法的最优分布式发电分配和规模分配》(F.S.Abu
‑
Mouti和M.E.El
‑
Hawary，《IEEE电力传输学报》2090
‑
2101)，使用ABC算法解决分布式发电问题，表明其能够处理混合整数非线性优化问题。
[0008]文献《一种基于离散人工蜂群算法的批量流车间调度问题》(潘全科，潘全科，蔡廷杰，，信息科学学报，2011,24)，为车间调度问题提出了一种离散的人工蜂群算法。
[0009]文献《一种基于人工蜂群算法的数字IIR滤波器设计方法》(Nurhan Karaboga，光学学报，2009,34(4):328
‑
348,00160032)，提供了数字滤波器的设计ABC算法。
[0010]文献《粒子群优化与人工蜂群算法的多级阈值分割研究》(Bahriye Akay,应用软计算，13,6,2013,3066
‑
3091,1568
‑
4946)，使用ABC算法解决图像分割问题，其可以有效用于多级阈值等。
[0011]在算法研究方面，研究人员从改进搜索方程、融合机器学习、优化搜索框架等多方面对ABC的性能进行提升。文献《粒子群优化与人工蜂群算法的多级阈值分割研究》受微分进化(DE)的启发，提出了一个改进的寻解方程，其基础是蜜蜂只围绕前一次迭代的最佳解进行搜索，以提高开发能力。引入了一个选择性概率P，得到了新的搜索机制。在产生初始群体时，同时采用了混沌系统和基于反对的学习方法。排除了概率选择方案和侦察蜂阶段。在一组28个基准函数上进行了实验。结果表明，与两种基于ABC的算法相比，MABC在解决复杂的数值优化问题方面具有良好的性能。
[0012]文献《一种基于修正搜索方程和正交学习的新型人工蜂群算法》(《IEEE控制论学
报》，第43卷，第11期)，使用正交实验设计(OED)来形成一个正交学习(OL)策略，用于ABC变体，以从搜索经验中发现更多有用的信息，ABC变体应用修改过的搜索方程来生成一个候选解，以提高ABC的搜索能力。
[0013]文献《一种基于深度优先搜索框架和精英引导搜索方程的人工蜂群算法》(崔来中等，信息科学，2016，36(4)：1012
‑
1044，0020
‑
0255)，提出了深度优先搜索(DFS)框架，引入了两个新的解决方案搜索方程：第一个方程包含了精英解决方案的信息，并可应用于所雇用的蜜蜂阶段，而第二个方程不仅利用了精英解决方案的信息，而且还在围观蜜蜂阶段采用了当前的最佳解决方案。将框架及新的搜索方程应用于ABC中，提出改进的ABC算法DFSABC_elite，实验结果表明，DFSABC_elite在大多数测试函数上的解质量、鲁棒性和收敛速度都明显优于多种比较的ABC系列的算法。

技术实现思路

[0014]本专利技术要解决的技术问题是：如何解决ABC系列算法中存在的开发能力较弱，收敛较慢的问题，因此，提供一种基于不可行解改进策略的精英中心人工蜂群算法。
[0015]为解决上述技术问题，本专利技术采用以下技术方案：
[0016]基于不可行解改进策略的精英中心人工蜂群算法，
[0017]在侦查蜂阶段，如果废弃的食物源x
max
不在不可行解集中，则侦查蜂使用新的搜索方程获得新食物源v
max
并用其替换x
max
；
[0018]新的搜索方程如式(6)所示：
[0019][0020]其中，s＝1，2，
…
，SN；d＝1，2，
…
，D；rand(0，1)是[0，1]中的一个随机实数，是已经开发殆尽的食物源x
max
的第d维变量，p
sto
是对废弃解行进方向的评判值，是侦查蜂找到的新食物源v
max
的第d维变量，对x
pop
进行微调的方式如式(7)所示：
[0021][0022]其中，是调整后的新随机解v
pop
的第d维变量，是当代最优的食物源x
best
的第d维分量，cauchy()是一个基于Cauchy分布的随机值，弹出的不可行解在当代最优食物源附近随机生成；
[0023]在侦查蜂阶段，替换后的不可行解x
max
的目标值与当前种群中任一可行解的目标值一致；且因IS空间不足而从IS中弹出的解通过式(7)求得，在当前种群中的最优解进行了一次开发；而IS中因开发殆尽而弹出的解则通过式(1)，在可行解的空间内进行了一次勘探；
[0024][0025]在雇佣蜂阶段及旁观蜂阶段，由不可行解产生的新解v
i
需要进行D次如式(3)的限制，这使得在后续目标值的计算能正常进行；当v
i
的目标值优于其父代x
i
的目标值时，使用v
i
进行替换，并将该不可行解从IS中移除，否则，保留父代，并将其未被修改次数unmod(i)增加1；
[0026][0027]其中，是经过限制的新的食物源的第d维分量，进行限制后的v
i
才可以使用目标函数计算出对应的目标值；根据v
i
的目标值，使用贪婪的选择本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于不可行解改进策略的精英中心人工蜂群算法，其特征在于：在侦查蜂阶段，如果废弃的食物源x
max
不在不可行解集中，则侦查蜂使用新的搜索方程获得新食物源v
max
并用其替换x
max
；新的搜索方程如式(6)所示：其中，s＝1,2,
…
,SN；d＝1,2,
…
,D；rand(0,1)是[0,1]中的一个随机实数，是已经开发殆尽的食物源x
max
的第d维变量，p
sto
是对废弃解行进方向的评判值，是侦查蜂找到的新食物源v
max
的第d维变量，对x
pop
进行微调的方式如式(7)所示：其中，是调整后的新随机解v
pop
的第d维变量，是当代最优的食物源x
best
的第d维分量，cauchy()是一个基于Cauchy分布的随机值，弹出的不可行解在当代最优食物源附近随机生成；在侦查蜂阶段，替换后的不可行解x
max
的目标值与当前种群中任一可行解的目标值一致；且因IS空间不足而从IS中弹出的解通过式(7)求得，在当前种群中的最优解进行了一次开发；而IS中因开发殆尽而弹出的解则通过式(1)，在可行解的空间内进行了一次勘探；在雇佣蜂阶段及旁观蜂阶段，由不可行解产生的新解v
i
需要进行D次如式(3)的限制，这使得在后续目标值的计算能正常进行；当v
i
的目标值优于其父代x
i
的目标值时，使用v
i
进行替换，并将该不可行解从IS中移除，否则，保留父代，并将其未被修改次数unmod(i)增加1；其中，是经过限制的新的食物源的第d维分量，进行限制后的v
i
才可以使用目标函数计算出对应的目标值；根据v
i
的目标值，使用贪婪的选择机制来进行新的食物源与当前食物源之间的选择操作，若当前食物源不被替换，则其记录的未被修改的次数unmod(i)增加1，unmod(i)初始记录值为0；若当前食物源被替换，则将记录的unmod(i)重新置为0。2.根据权利要求1所述的基于不可行解改进策略的精英中心人工蜂群算法，其特征在于：在侦查蜂阶段，如果v
max
是不可行的，则并将其放入不可行解集IS中；若IS已满，则随机的一个不可行解x
pop
从中弹出，x
pop
在最优解附近使用式(7)进行微调；若v
max
是可行解，则重新计算v
max
的目标值；若...

【专利技术属性】
技术研发人员：佘维，郭淑明，田钊，刘炜，牛文涛，钟李红，王业腾，
申请(专利权)人：嵩山实验室，
类型：发明
国别省市：