[发明专利]一种基于改进混沌蜂群算法的工程约束参数优化方法

说明书

技术领域

本发明属于智能算法应用技术领域，尤其涉及一种基于改进的蜂群算法的工程约束参数优化方法。

背景技术

工程参数优化问题广泛地存在于日常生产生活中，传统的工程约束参数优化方法存在诸多不令人满意的问题，难以满足工程约束参数优化的需求。一般来说，工程参数优化问题都是在许多线性或非线性约束的前提下。但是，由于目前对工程约束参数优化问题的求解方法认识还不够深入，如果搜索空间不可微或参数间为非线性性，则往往得不到全局最优解，即陷入局部优化。因此，全局搜索和局部搜索的平衡机制对优化算法的成功时很重要的，需要一种不依赖于系统模型的具体表达方式的约束参数优化方法。

蜂群算法是一种新型的仿生学优化算法，思想是利用蜜蜂群体搜索蜜源的路线进行判断选择的方式方法。该算法具有较强的适应性、正反馈性和鲁棒性，但也存在易陷入局部最优解。混沌蜂群算法是利用混沌算法的全排列性，利用混沌变量具有遍历性、随机性和规律性的特点，改进蜂群算法容易过早收敛、易陷于局部最优、对边缘定位不准确等问题。本文采用混沌蜂群算法进行工程约束参数的优化，该方法能够快速、清晰、准确且有效性强。

发明内容

本发明的目的在于提供一种能够弥补传统蜂群算法存在结构复杂难以确定、局部优化、搜索效率低等缺点，提出一种快速、清晰、准确的算法解决一般工程约束参数的优化方法。

本发明的目的是这样实现的：

基于改进人工蜂群算法的工程约束参数优化方法，包括以下步骤：

步骤一：通过混沌算法确定参数向量即其取值范围，用目标函数和等式或不等式进行描述；在实验区域范围内随机投放足够数量的蜜蜂，蜜蜂随机搜索路径时会不断更新信息素矩阵，利用蜂群算法的正反馈性，最终产生的信息素矩阵，从而确定蜂源的位置。初始的信息素矩阵不能为0，蜜蜂转移将不能开始，所以要采用随机矩阵作为信息素矩阵初始化。蜜蜂下一步要走的位置，由转移概率决定。

步骤二：根据步骤一中确定的参数向量的个数和取值范围，初始化人工蜂群，确定最大限制迭代次数Limit、最大循环次数c及搜索目标参数个数N，令引领蜂在初始位置领域内随机地搜索蜜源；

所涉及的引领蜂初始位置表达式为：

式中，Ri_j为0到1之间的随机数，N为0到1之间的设定值；i＝1....N，j＝1...N,V为蜜源的个数，为第j个参数的最小取值，为第j个参数的最大取值，rand(0,1)表示0到1范围内的随机数；

引领蜂初始位置领域L的位置表达式为：

其中，w_ij为引领蜂初始位置，l_ij为引领蜂领域搜索位置，φ_ij为参数搜索步长，取值范围为[-F,F],F为0到1之间的随机数；

F的表达式为：

步骤三：以概率P选取步骤一中由混沌算法确定的参数作为调整对象，引入概率P控制搜索过程中矩阵向量中参数的个数，并适当的改变步长参数F，首先由引领蜂在当前蜜源邻域内随机搜索新的蜜源，获取个蜜源的代价函数值q_i,由q_i计算适应度函数值Q_i,在当前搜索的位置Q_i大于q_i时，则转移到其它为去过的蜜源，引领蜂将在新的蜜源附近搜索并记录Q_i较大的蜜源位置信息；

所涉及的M表达式为：

M＝e^-a·b/c

其中，b为蜂群循环次数，c为最大循环次数，a为控制参数；

所涉及的适应度函数值fit_i表达式为：

式中，abs()为取绝对值函数；

步骤四：待所有引领蜂搜索结束，根据各引领蜂所在蜜源的适应度函数值Q_i，得到跟随蜂转至各蜂源概率P_i，依据概率进行位置更新，并记录每次蜂群迭代搜索过程中的适应度函数值最大的蜜源位置w_best；

所涉及的转移概率P_i表达式为：

其中，Q_min为本次循环后适应度函数值最小值，a为调整因子；

步骤五：重复步骤三、步骤四，经过有限循环搜索，得到参数的最有估计值。