[发明专利]一种基于人工蜂群算法和量子粒子群算法的优化计算方法

说明书

技术领域

本发明涉及人工智能、管理科学与工程中的优化应用领域，尤其涉及一种基于人工蜂群算法和量子粒子群算法的优化计算方法。

背景技术

优化问题大量存在于现实世界中，特别在科学研究和工程应用领域，优化理论与技术的作用日益重要。此外，优化技术在国民经济的各个行业中也有着广泛的用途。求解大规模、组合、非线性、离散性、随机性、多目标等特征的优化问题的需要，推动着数学规划方法和智能优化算法的发展。群智能优化算法近年来是其中的一个研究热点。

人工蜂群算法是一种高效的群体智能算法，它模仿蜜蜂的采蜜行为进行搜索。蜜蜂根据各自的分工进行不同的活动，并实现蜂群信息的共享和交流，从而找到问题的最优解。通过数值函数优化和多模态函数优化表明，ABC算法比遗传算法、差分进化算法和微粒群优化算法具有更好的优化性能。

量子粒子群算法是将量子理论引入到基本粒子群算法中，针对基本粒子群算法寻优的不足，从量子力学的角度出发，利用量子测不准原理来描述粒子的运动状态，对基本粒子群算法进行改进。它被看做是一种新的，能对基本粒子群算法未来发展方向产生影响的概率算法之一。经多种类型应用表明：该方法具有运行速度快、较强的寻优性能。

上述两种算法各有优点，在生产实践中经常需要采用上述两种算法进行优化运算。可以采用其中的一种方法计算得到结果，也可对两种算法结果进行比较，决定取舍；此外，为进一步提高全局搜索能力，也可采用此两种方法的混合方法(QPSO+ABC与ABC+QPSO)进行寻优强化处理，以便得到更好的优化结果。

发明内容

本发明要解决的技术问题是提供一种基于人工蜂群算法和量子粒子群算法的优化计算方法。

为了解决上述技术问题，本发明采用的技术方案是：基于人工蜂群算法和量子粒子群算法的优化计算方法，人工蜂群算法下称ABC，量子粒子群算法下称QPSO，包括以下步骤：

步骤1：分析实际问题，编制待优化目标函数；

步骤2：输入ABC或QPSO的运行参数，所述运行参数为种群数目、迭代次数、变量维数、变量取值范围、待优化目标函数；

步骤3：根据优化需求，可以选择下述算法中的一种两种或三种或四种进行计算：

(a)选择ABC算法；

(b)选择QPSO算法；

(c)选择顺序为QPSO+ABC并以串联结构衔接的混合算法；

(d)选择顺序为ABC+QPSO并以串联结构衔接的混合算法；

步骤4：若计算只采用上述算法中的一种，直接输出计算结果，转向步骤5；若为得到更好的优化结果或进行不同算法间的优化性能比较，可以选择上述四种方法中的两种或三种或四种进行计算结果比较，转向步骤6；

步骤5：判断该单一算法的优化结果是否满足本次优化要求，转向步骤7；

步骤6：综合比较上述选择几种算法的计算结果，根据目标函数值的优劣筛选出最优结果，评价该最优结果是否满足此次优化计算的要求；

步骤7：若满足要求，运算结束；否则，修改算法的运行参数，增大种群数目和迭代次数，重新计算，输出运行参数调整后的计算结果和迭代曲线，获取最终优化结果。

作为优选，待优化目标函数是指一类可以转化为求极值的函数，如实验所得的实测值与根据理论进行计算的计算值之间的误差。

作为优选，计算方法采用MATLAB语言编程。

作为优选，人工蜂群算法的计算步骤如下：

(1)根据各变量的自身取值范围按照种群数分别进行初始化，随后进行变量维数合并，形成蜂群初始种群x_ij，i＝1，...，SN，j＝1，...D，其中SN表示食物源的数量，D为变量的维数；

(2)计算种群的函数适应度值，并评价种群；

(3)采蜜蜂(x_ij)在食物源邻域内按公式(1)在其邻域附近产生新解v_ij：

v_ij＝x_ij+φ_ij(x_ij-x_kj)                        (1)

其中，x_k是除x_i之外随机选取的一个解，φ_ij是一个变化范围在区间[-a，a]的随机数，a通常取1，然后，应用贪婪选择算法决定v_i和x_i的好坏；