[发明专利]基于改进人工蜂群算法的约束多目标优化方法

权利要求书

1.基于改进人工蜂群算法的约束多目标优化方法，其采用反向食物源初始化过程；融合反向学习策略的蜜蜂搜索过程和广泛学习策略的蜜蜂搜索过程；基于非线性缺失损失的多对多应急物资约束多目标优化模型；其特征在于：其具体步骤如下：

步骤1：反向初始化阶段；

随机生成食物源，根据反向学习公式计算食物源的反向食物源；根据支配关系对食物源和反向食物源进行精英选择，得到初始食物源，分别计算初始食物源的秩和拥挤距离，进行多目标非支配排序；

步骤2：引领蜂阶段；

步骤2-1：对每个对应唯一食物源的引领蜂，随机生成[0,1]之间的随机数r_l，若r_l∈[0,P_bl)，P_bl为反向学习概率,P_bl∈(0.2,0.4)，则进行步骤2-2；若r_l∈[P_bl,P_bl+P_cl)，P_cl为广泛学习概率P_cl∈(0.1,0.3)，进行步骤2-3；否则进行步骤2-4；

步骤2-2：采用反向学习策略搜索新食物源；

引领蜂采用步骤1的反向学习公式计算其对应食物源的反向食物源，并将反向食物源作为新食物源；转步骤2-5；

步骤2-3：采用广泛学习策略产生新食物源；

引领蜂随机选取两个其他食物源，并将其对应食物源Food与选取的两个食物源进行比较，其基于非支配关系排序，选取betterFood进行随机权重r_cl的学习，形成新食物源newFood，其公式如式(1)所示；转步骤2-5；

newFood＝r_cl×betterFood+(1-r_cl)×Food (1)

步骤2-4：采用随机变异策略产生新食物源；转步骤2-5；

步骤2-5：对新食物源进行约束校验修正；若新食物源支配旧食物源，则选择新食物源替旧食物源，并重新对所有食物源进行非支配排序；

步骤3：跟随蜂阶段；

步骤3-1：每个跟随蜂根据概率随机选取秩k，并在秩为k的食物源集合中随机选取一个食物源；

步骤3-2：跟随蜂对其选中食物源，随机生成[0,1]之间的随机数r_o，若r_o∈[0,P_bl)，P_bl为反向学习概率,P_bl∈(0.2,0.4)，则进行步骤3-3；若r_o∈[P_bl,P_bl+P_cl)，P_cl为广泛学习概率P_cl∈(0.1,0.3)，则进行步骤3-4；否则进行步骤3-5；

步骤3-3：采用反向学习策略搜索新食物源；

跟随蜂采用步骤1的反向学习公式计算其对应食物源的反向食物源，并将反向食物源作为新食物源；转步骤3-6；

步骤3-4：采用广泛学习策略产生新食物源；

跟随蜂随机选取两个其他食物源，并将其对应食物源Food与选取的两个食物源进行比较，基于非支配关系排序，选取betterFood进行随机权重r_cl的学习，形成新食物源newFood，其公式如式(1)所示；转步骤3-6；

步骤3-5：采用随机变异策略产生新食物源，转步骤3-6；

步骤3-6：对新食物源进行约束校验纠正，若新食物源支配旧食物源，则选择新食物源替旧食物源，并重新对所有食物源进行非支配排序；

步骤4：侦察蜂阶段；

当一个食物源适应度值经过limit次循环之后没有得到改善，则该食物源被抛弃，与之对应的引领蜂变为侦察蜂，重新随机搜索一个新位置来代替原食物源；

步骤5：结束阶段；

判断算法调用评价次数是否达到上限，若达到，则算法停止，输出非支配前沿解集，否则转步骤2。