本发明专利技术公开了一种改进的人工蜂群优化算法，通过对初始化种群采用混沌映射，增加序列的随机性和复杂性，保证种群中的初始解具有较大的多样性，加速算法收敛速度和提高算法的全局搜索能力；通过变维度更新蜜源，在不同迭代范围采用不同维度的更新策略，采用这种梯度维度更新，平衡了算法的搜索和开发能力，在加快收敛速度的同时可以有效克服过早收敛的问题，同时以全局最优解为引导进行变范围邻域搜索增加种群向优秀个体学习的概率，算法让蜜蜂始终围绕一些有着好的适应度值的食物源进行搜索，并且根据迭代次数改变搜索半径大小，加快对于更好的食物源寻找。
【技术实现步骤摘要】
本专利技术涉及恒流泵控制系统相关，具体为一种改进的人工蜂群优化算法及方法。
技术介绍
1、随着科学技术的日益发展，许多工程的核心问题最终都归结为优化问题。因此，最优化已经成为工程技术人员必不可少的计算工具。在计算机已经广为普及的今天，一些大规模的优化问题的求解可以在一台普通的计算机上实现，使得最优化方法得到了比以往任何时候都更加广泛的应用。
2、人工蜂群算法(artificial bee colony algorithm，简称abc)是一种基于模拟蜜蜂觅食行为的群体智能优化算法。这种算法最初是由土耳其学者dervis karaboga在2005年提出的。abc算法通过模拟蜜蜂在采蜜过程中的行为，分为三种蜜蜂角色：工蜂、观察蜂和侦查蜂。其优化过程主要由三个阶段组成：初始化，搜索和局部搜索。其中，工蜂和观察蜂负责搜索蜜蜂养殖场(搜索空间)中的解，而侦查蜂则负责在搜索空间中的随机位置寻找新的解。abc算法主要适用于解决连续性优化问题，例如函数优化、参数寻优等。该算法的优点在于具有较高的收敛速度和全局寻优能力，在一些实际应用中也取得了较好的效果。
3、人工蜂群算法虽然具有良好的全局搜索性能和较快的收敛速度，但也存在以下几个缺点：
4、(1)对初始种群的依赖性较强。abc算法需要一定数量的初始种群才能开始搜索过程，而初始种群的质量和数量会对算法的最终结果产生影响。
5、(2)对问题的适应性不强。abc算法对问题的适应性较差，对于复杂的多模态问题，可能会出现收敛到局部最优解的情况。
>6、(3)参数选择困难。abc算法中存在许多参数需要调整，如蜜蜂个体的数量、搜索半径等，不同问题需要不同的参数设置，调整困难。7、(4)不适用于高维问题。abc算法在解决高维问题时，由于搜索空间过大，很容易陷入局部最优解，搜索效率较低。
技术实现思路
1、针对上述不足，本专利技术旨在提供一种改进的人工蜂群优化算法，本专利技术通过以下技术方案：
2、一种改进的人工蜂群优化算法，包括以下步骤，
3、步骤10.设置abc的参数
4、设置包括种群大小n、最大迭代次数maxit、最大评估次数mfe、个体维数d、阈值limit在内的abc参数；
5、步骤20.生成初始种群
6、采用混沌映射函数公式xij＝chebyshev(d) (1)
7、生成初始种群大小为n的初始种群，所述混沌映射函数公式(1)的具体表达式为
8、x(i)＝cos(4acos(x(i-1))) (2)
9、其中每个解
10、其中和分别代表着第j维搜索空间的下界和上界。
11、步骤30.选择初始雇佣蜂种群
12、根据公式
13、(其中，()为食物源的目标函数值)
14、分别计算步骤20所得初始种群中个体的适应值，选取适应值较大的n/2个个体作为初始雇佣蜂种群；
15、步骤40.蜜源变维度更新优化方法
16、在由步骤30选择出来的雇佣蜂个体附近进行邻域搜索，得到新蜜源，搜索策略如公式(4)进行迭代更新：
17、xij*＝bestj+rv(xij*-xkj*) (4)
18、其中rv＝αe-(it-0.1maxit)/(0.3maxit) (5)
19、j*＝randperm(length(b),fix(c*d)+1)； (6)
20、上式中bestj为随机选取种群中较好的个体，rv为自适应步长；α为设定的参数值；it为当前执行的迭代次数,maxit为最大迭代次数，k为不等于i的数。j*为随机选取的多个参数的索引，b为所有参数的索引组成的数列，c为百分比，迭代完成得到的参数即为新的蜜源。
21、步骤50.蜜源的更新
22、按照公式(3)计算新蜜源中新个体的适应值，记作fit，若fit(i)<fit，采用新个体替换当前雇佣蜂个体，i＝0:否则，进行随机搜索，当rand<pi时，按照公式(7)进行搜索，若rand>pi，i++，pi见公式(8)：
23、vij＝xij+rij(xij-xkj) (7)
24、
25、其中rand为0到1之间的随机数，k为不等于的整数，r取值范围为[-1,1]:步骤60.
26、判断i>limit是否成立，若成立，则放弃当前蜜源，进入侦查蜂阶段，根据公
27、式xij＝ximin+rand(0,1)(ximax-ximin) (8)
28、生成新蜜源，若不成立，则当前的解为最优解，转至步骤70；
29、步骤70.
30、记录最优解；
31、步骤80.
32、判断评估次数≥mfe，若是，则输出最优解；否则，转至步骤40。
33、进一步的，所述步骤40中迭代更新策略的具体选择规则如下：
34、当迭代次数在前40％时，通过式(4)随机选取前70％的参数进行一次迭代更新，此时c＝0.7。
35、当迭代次数在前60％时，通过式(4)随机选取前50％的参数进行一次迭代更新，此时c＝0.5。
36、当迭代次数在前80％时，通过式(4)随机选取前20％的参数进行一次迭代更新，此时c＝0.2。
37、当迭代次数在前90％时，通过式(4)随机选取前10％的参数进行一次迭代更新，此时c＝0.1。
38、当迭代次数在前100％时，通过式(4)随机选取前10％的参数进行一次迭代更新，此时c＝0。
39、本专利技术的有益效果是：1.对于初始化种群采用混沌映射，混沌映射可以生成大量的随机数序列，这些序列具有高度的随机性和复杂性，可以保证种群中的初始解具有较大的多样性，有助于加速算法收敛速度和提高算法的全局搜索能力；
40、2.变维度更新蜜源。由于对于食物源进行更新时每次只更新一个维度，严重影响了搜索的效率，这是人工蜂群算法收敛速度慢、精度差的主要原因。为了解决这一问题，本节提出了一种新的更新策略——变维度蜜源更新。在不同迭代范围采用不同维度的更新策略。采用这种梯度维度更新，平衡了算法的搜索和开发能力，在加快收敛速度的同时可以有效克服过早收敛的问题；
41、3.以全局最优解为引导进行变范围邻域搜索。为了增加种群向优秀个体学习的概率，算法让蜜蜂始终围绕一些有着好的适应度值的食物源进行搜索，并且根据迭代次数改变搜索半径大小，加快对于更好的食物源寻找。
本文档来自技高网...
【技术保护点】
1.一种改进的人工蜂群优化算法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种改进的人工蜂群优化算法，其特征在于：所述步骤40中迭代更新策略的具体选择规则如下：
【技术特征摘要】
1.一种改进的人工蜂群优化算法，其特征在于包括以下步骤：
2.根据权利要求1所...
【专利技术属性】
技术研发人员：徐磊，李昕，谢婷，张维冰，许多，
申请(专利权)人：中科沃业江苏生物有限公司，
类型：发明
国别省市：
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。