[发明专利]一种简单高效的改进人工蜂群优化方法

说明书

技术领域

本发明涉及仿生智能优化算法领域，尤其涉及一种简单高效的改进人工蜂群优化方法。

背景技术

人工蜂群(ABC)算法是一种受蜜蜂采蜜行为启发而提出的新型仿生智能优化算法。在人工蜂群算法中，蜜蜂群体被分为引领蜂(Employed bees)、跟随蜂(Onlooker bees)和侦察蜂(Scout bees)三类。其中，引领蜂和跟随蜂各占种群数量NP的一半，同时另设1个侦察峰角色。跟随蜂的任务是完成蜜源的开采，而侦查蜂的任务是完成优质蜜源的探索。

目前为了进一步提高人工蜂群算法的优化求解能力，针对人工蜂群算法的改进已成为了研究热点。其中主要的改进是以通过引入一些学习机制与变异算子等来有效提高算法的全局收敛能力和求解精度。然而，很多算法的改进策略在提高了全局收敛能力和求解精度的同时，却额外增加了较大的计算复杂度，从而影响了算法的实际工程应用效果。

发明内容

为了解决上述问题，本发明的目的是提供一种简单高效的改进人工蜂群优化方法。该方法将正态分布理论引入ABC算法的初始化过程和优化搜索过程，得到了新的蜂群初始化策略方程和搜索公式，更加有效地协调了算法的开发能力和探索能力，在保证了ABC算法全局收敛能力的同时，还具有收敛速度更快、收敛精度更高的优点，且改进策略原理简单易行，具有更好的可操作性。

为了实现上述目的，本发明采用如下技术方案：

一种简单高效的改进人工蜂群优化方法，其特征在于，按照如下步骤进行：

步骤1设置下述各参数：种群规模NP，初始化蜜源个数SN，求解空间维数D，循环上限Limit以及最大进化代数Maxcylce；

步骤2根据改进的蜜源初始化公式，在约束范围内按照正态分布原理随机产生SN个蜜源，计算出每个蜜源对应的蜜量；

步骤3在采蜜寻优过程中，引领蜂基于当前种群最优个体，按照改进的搜索公式产生新蜜源，根据贪婪选择原理决定是否更新蜜源；

步骤4如选择更新蜜源，引领蜂将蜜源信息传递给跟随蜂，再计算出每个蜜源位置上的概率P_i，依照轮盘赌的方式选择引领蜂进行跟随；

步骤5跟随蜂在循环上限Limit内，依据改进的搜索公式进行多次搜索，并根据贪婪选择原理决定是否更新蜜源；

步骤6若一个蜜源在搜索次数达到循环上限Limit后，仍然未被更新，则此处的引领蜂转变成侦察峰，根据改进的蜜源初始化公式搜索更新一个新蜜源；

步骤7如果达到了最大进化代数Maxcylce，则输出最优蜜源的位置坐标x_best＝[x_best,1,x_best,2,…,x_best,D]；否则，返回步骤3。

所述步骤2，6中，改进的蜜源初始化公式为：

式中，x_i,j表示蜜蜂在第i个蜜源的第j维分量的位置值，i＝1,2,…,SN，j＝1,2,…,D(D为搜索空间的维数)；和分别是蜜源第j维分量的边界上限值和下限值；|nod_i,j|表示均值μ＝0，方差σ²＝1的正态分布随机数的绝对值。

所述步骤2中，当改进的蜜源初始化公式中|nod_i,j|＞1时，为防止蜜源位置超出边界上限，生成一个[0,1]均匀分布随机数代替该|nod_i,j|。

所述步骤3，5中，改进的搜索公式为：

v_i,j＝x_best,j+nod_i,j(x_i,j-x_k,j)

式中，v_i,j表示第i个引领蜂寻找到的新蜜源位置的第j维分量；基础位置x_best,j表示当前种群中具有最好适应度值的蜜源位置；nod_i,j＝normrnd(0,1)是均值μ＝0，方差σ²＝1的正态分布随机数；x_i,j表示蜜蜂在第i个蜜源的第j维分量的位置值；x_k,j表示蜜蜂在第k个蜜源的第j维分量的位置值。

所述步骤4中，计算每个蜜源对应的概率P_i的公式为：

式中，fit_i表示第i个蜜源的蜜量；SN表示初始化蜜源个数。