[發明專利]一種基于多種改進策略的人工蜂群算法的優化方法

在審

• 申請號: 202010047160.7
• 申請日: 2020-01-16
• 公開（公告）號: CN111291854A
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 劉志;李鵬航;朱李楠;沈國江
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06N3/00
• 分類號: G06N3/00
• 代理公司: 杭州之江專利事務所(普通合伙) 33216
• 代理人: 張慧英

本發明涉及一種基于多種改進策略的人工蜂群算法的優化方法，本發明分別對差分進化策略(DES)，三角因子振蕩策略(TFOS)，異維學習策略(DDVLS)，高斯分布策略(GDS)進行改進，增強了算法的全局搜索能力，提高了解的精度，最后求得全局最優解，從而有效克服了ABC算法的缺點，準確率提高了，而且收斂速度加快，達到了對經典ABC算法優化的效果。

技術領域

本發明涉及群智能優化技術領域，尤其涉及一種基于多種改進策略的人工蜂群算法的優化方法。

背景技術

群智能優化算法是一種基于群智能算法構建的隨機優化方法。不同于傳統的數學優化方法，群智能優化算法通過搜索代理的不斷迭代演化對解空間中進行隨機搜索。近幾十年來，該研究領域的學者已經提出了很多群智能算法，這些算法的提出大多數都是受到自然界動物群體的運動和繁衍等行為的啟發。

由于群智能優化算法具有實現簡單，靈活性強，魯棒性高和不使用梯度方法等優點，已經被成功的應用到很多研究領域中的優化問題，如函數優化、特征選擇、路徑規劃、疾病診斷等優化問題，這些研究結果都表明群智能優化算法可以有效求解這些問題。人工蜂群算法(ABC算法)是一種模擬蜜蜂覓食搜索行為的群智能優化算法。由于其控制參數少、易于實現、計算簡潔等優點，已被越來越多的學者所關注?，F在目前經典的人工蜂群算法(ABC算法)存在容易陷入局部極小值，求解精度低的問題，亟需改進。

發明內容

本發明為克服上述的不足之處，目的在于提供一種基于多種改進策略的人工蜂群算法的優化方法，本發明分別對差分進化策略(DES)，三角因子振蕩策略(TFOS)，異維學習策略(DDVLS)，高斯分布策略(GDS)進行改進，增強了算法的全局搜索能力，提高了解的精度，最后求得全局最優解，從而有效克服了ABC算法的缺點，準確率提高了，而且收斂速度加快，達到了對經典ABC算法優化的效果。

本發明是通過以下技術方案達到上述目的：一種基于多種改進策略的人工蜂群算法的優化方法，包括如下步驟：

(1)利用塊編碼的方式確定多種改進策略的人工蜂群算法的參數并初始化種群；并計算種群中每個個體適應度值并判斷容量限定,舍棄不滿足容量要求的個體；

(2)雇傭蜂采用經差分進化策略、異維學習策略以及三角因子振蕩策略改進后的方程進行循環搜索；觀察蜂采用經高斯分布策略改進后的搜索方程進行循環搜索；

(3)設定記錄板記錄蜜蜂的搜索狀態，根據記錄板的內容確定是否產生偵查蜂，并且偵查蜂采用經差分進化策略、異維學習策略改進后的搜索方程開始搜索；判斷是否達到終止條件,若是則輸出結果；否則，重復上述步驟繼續求解。

作為優選，所述在步驟(1)中，利用塊編碼的方式設定多種改進策略的人工蜂群算法的參數：蜂群數量NP、食物源數量NP/2、控制參數limit、最大循環數MaxCycle、D維解空間；并且在解空間隨機產生初始解X_i(i＝1，2,…,NP),計算其適應度值：即它表示第g代種群的第d個個體,且表示第i級的第k個基因位。

作為優選，所述步驟(2)中，利用差分進化策略和異維學習策略，為雇傭蜂提供了更多的學習機會，避免了單一維度尋優的問題，從而大大提高了雇傭蜂的全局搜索能力；此外，通過引入三角因子振蕩策略、全局精英解和自適應權重因子，可以進一步提高雇傭蜂的全局搜索能力；利用全局精英解，可以有效地將當前種群的搜索方向向更好的解靠近；此外，自適應權重因子可以動態調整步長；在迭代初期，權重因子被用來擴展搜索空間，而在后期，它使個體進行精細搜索并收斂到最優位置；此處雇傭蜂按如下公式搜索新解：