【技术实现步骤摘要】
本专利技术涉及一种基于黄蜂捕食策略的目标优化方法，属于智能优化领域。
技术介绍
1、优化问题广泛存在于各个工程领域中，特别是机器人领域，例如故障诊断、机器人标定、机器人参数优化、路径规划、机器人控制等。在这些研究领域里有大量复杂的优化问题(指非线性、多目标、不连续、高维、不确定性和非凸区域问题等)。这些问题难以使用传统的方法，如梯度下降法、牛顿-拉夫逊(拉弗森)方法、拟牛顿法来解决。然而，群体智能(si)优化算法由于其相对简单、灵活且高效的优势而被广泛应用于全局优化问题的解决。在si系统中，群体中的每个个体代表一个搜索空间中的候选解决方案，个体之间的相互作用是si系统中智能行为的推动因素。优化过程包括两个主要步骤：1、在搜索空间内随机初始化群体；2、通过组合、移动或演化来迭代群体。因此，采用si优化算法实现全局优化问题的最优解具有现实意义。
2、目前有许多的群体智能优化算法，例如粒子群优化算法、灰狼优化器、麻雀优化算法、鲸鱼优化算法等。但是我们发现，虽然每种群体智能算法都有其优点，但也存在缺点，没有一种算法在所有问题上都表现的非常优秀。例如，粒子群优化算法具有可能过早进入收敛状态的问题，灰狼优化器算法则存在种群多样性欠缺、容易陷入局部最优、后期收敛速度慢等缺点。因此，增强当前的优化算法非常重要。我们仍然需要研究更多、更好的优化算法，尽可能的为工程问题提供更加完美的解决方案，特别是在工程问题日益复杂多变的情况下。
技术实现思路
1、本专利技术提供了一种基于黄蜂捕食策略的目
2、本专利技术的技术方案是：
3、根据本专利技术的第一方面，提供了一种基于黄蜂捕食策略的目标优化方法，包括：step1、初始化种群个体和目标优化方法的参数；将个体按比例划分为侦察蜂群、狩猎蜂群、运输蜂群；step2、依据目标问题的目标函数计算所有个体的适应度值；step3、依次对侦察蜂群中个体的位置、狩猎蜂群中个体的位置、运输蜂群中个体的位置进行更新、边界判断、适应度值计算；step4、重复step3，直到满足终止准则，输出全局最优解及其适应度值。
4、所述对侦察蜂群中个体的位置进行更新，具体为：
5、在每次迭代期间，对侦察蜂群中个体的当前位置依据适应度值从小到大的规则进行排序，获得排序后的sa表示侦察蜂数量；
6、侦察蜂个体位置更新公式如下：
7、
8、式中，表示依据第t次迭代中第i个侦察蜂位置更新后的位置，为当前迭代次数下所有个体中的最优位置，k1表示侦察能力系数，t1表示步长因子，r1表示扰动因子。
9、所述步长因子表达式为：
10、
11、所述对狩猎蜂群中个体的位置进行更新，具体为：
12、将狩猎蜂群采用随机的方式分为两个种群，即第一狩猎蜂群、第二狩猎蜂群；
13、狩猎蜂个体位置更新公式如下：
14、
15、x1h(j1)＝xk+(x1d(j1)-xk)·(1+g1(j1))
16、
17、x2h(j2)＝xk+(x2d(j2)-xk)·(1+g2(j2))；
18、xh(j)＝xh(j)+q·r3·(xk-xh(j))；
19、式中，g1(j1)为第一个狩猎蜂群中第j1个狩猎蜂的权重系数,g2(j2)为第二个狩猎蜂群中第j2个狩猎蜂的权重系数；σ1、σ2为狩猎蜂群密集系数；μ1、μ2为狩猎蜂中心相对猎物的偏离系数；e为自然常数；xk表示信息素指示的猎物位置；x1d为第一狩猎蜂群的个体根据与xk的距离从近到远的顺序序列重新排列的第一狩猎蜂群位置矩阵，x1d(j1)表示x1d的第j1列,即重新排列的第一狩猎蜂群的第j1个个体；x2d为第二狩猎蜂群的个体根据与xk的距离从近到远的顺序序列重新排列的第二狩猎蜂群位置矩阵，x2d(j2)表示x2d的第j2列,即重新排列的第二狩猎蜂群的第j2个个体；x1h(j1)为依据重新排列的第一狩猎蜂群位置中第j1个个体更新后的位置，x2h(j2)为依据重新排列的第二狩猎蜂群位置中第j2个个体更新后的位置；q表示狩猎蜂捕猎能力系数；xh表示由x1h(j1)、x2h(j2)构成的第一次更新后的狩猎蜂群位置矩阵，xh(j)表示xh的第j列,即第一次更新后的狩猎蜂群位置矩阵的第j个个体；r3为一个随机数；xh(j)为依据第一次更新后的狩猎蜂群位置矩阵的第j个个体更新后的位置，将获得的sb个xh(j)作为第二次更新后的狩猎蜂群位置矩阵xh；sb表示狩猎蜂数量。
20、所述信息素指示的猎物位置，表达式为：
21、
22、式中，xbest为当前迭代次数下对侦察蜂进行更新后的所有个体中的最优位置；xrand表示狩猎蜂辨识的具有偏差的位置；r2表示信息素强度系数；v为环境干扰系数。
23、所述狩猎蜂捕猎能力系数表达式为：
24、
25、式中，qe、qs分别为捕猎结束时和初始时的捕猎能力系数；tmax为最大迭代次数；t表示当前迭代次数。
26、所述对运输蜂群中个体的位置进行更新，具体为：
27、
28、式中，u为运输系数；表示依据第t次迭代中第m个运输蜂位置更新后的位置；为当前迭代次数下所有个体中的最优位置；r4、r5为随机数；sc为运输蜂数量；为当前迭代次数下所有运输蜂个体中的最优位置。
29、所述运输系数表达式为：
30、
31、式中，ue为运输蜂运输结束时的运输能力值，us为运输初始时运输能力值；tmax为最大迭代次数；t表示当前迭代次数。
32、根据本专利技术的第二方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器上并可被所述处理器运行的程序，所述处理器执行所述程序时实现如上述中任意一项所述的基于黄蜂捕食策略的目标优化方法。
33、根据本专利技术的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于黄蜂捕食策略的目标优化方法。
34、本专利技术的有益效果是：面对具有多样性、复杂性的实际工程问题，传统的方法应用效果不佳，现有群体智能优化算法综合能力不强的现象，本算法的提出，一方面增加了群体优化算法的多样性，为实际工程问题提供了更多的解决工具。另一方面由于本算法较强的综合能力(对比试验显示，相比于粒子群优化算法、灰狼优化算法、鲸鱼优化算法等知名优化算法具有更快的收敛速度、更高的收敛精度、更强的全局寻优能力)，为以后的优化算法的研究提供了新思路。
本文档来自技高网...【技术保护点】
1.一种基于黄蜂捕食策略的目标优化方法，其特征在于，包括：
2.根据权利要求1所述的基于黄蜂捕食策略的目标优化方法，其特征在于，所述对侦察蜂群中个体的位置进行更新，具体为：
3.根据权利要求2所述的基于黄蜂捕食策略的目标优化方法，其特征在于，所述步长因子表达式为：
4.根据权利要求1所述的基于黄蜂捕食策略的目标优化方法，其特征在于，所述对狩猎蜂群中个体的位置进行更新，具体为：
5.根据权利要求4所述的基于黄蜂捕食策略的目标优化方法，其特征在于，所述信息素指示的猎物位置，表达式为：
6.根据权利要求4所述的基于黄蜂捕食策略的目标优化方法，其特征在于，所述狩猎蜂捕猎能力系数表达式为：
7.根据权利要求1所述的基于黄蜂捕食策略的目标优化方法，其特征在于，所述对运输蜂群中个体的位置进行更新，具体为：
8.根据权利要求7所述的基于黄蜂捕食策略的目标优化方法，其特征在于，所述运输系数表达式为：
9.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可被所述处理器运行的程序，所述处
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1-8中任意一项所述的基于黄蜂捕食策略的目标优化方法。
...【技术特征摘要】
1.一种基于黄蜂捕食策略的目标优化方法，其特征在于，包括：
2.根据权利要求1所述的基于黄蜂捕食策略的目标优化方法，其特征在于，所述对侦察蜂群中个体的位置进行更新，具体为：
3.根据权利要求2所述的基于黄蜂捕食策略的目标优化方法，其特征在于，所述步长因子表达式为：
4.根据权利要求1所述的基于黄蜂捕食策略的目标优化方法，其特征在于，所述对狩猎蜂群中个体的位置进行更新，具体为：
5.根据权利要求4所述的基于黄蜂捕食策略的目标优化方法，其特征在于，所述信息素指示的猎物位置，表达式为：
6.根据权利要求4所述的基于黄蜂捕食策略的目标优化方法，其特征在于，所述狩猎蜂捕猎能力系数表达式为：<...
【专利技术属性】
技术研发人员：伞红军，张号彬，陈久朋，丁林，赵龙云，孙海杰，姚得鑫，彭真，陈治帆，吴兴梅，杨晓园，冯金祥，董朋林，
申请(专利权)人：昆明理工大学，
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。