[发明专利]一种基于人工蜂群算法解决SEVM模型问题的方法

说明书

一种基于人工蜂群算法解决SEVM模型问题的方法，包括步骤一：建立模型和步骤二：人工蜂群算法的算法流程；步骤三：随机模拟的随机期望值估计算法求解随机期望值函数流程，最后，给出人工蜂群算法和随机模拟相结合求解SEVM模型问题的具体步骤和典型仿真实例的实验数据对比。本发明为SEVM模型问题的求解提供一个比经典的遗传算法更有效的求解方法，它具有的局部搜素和全局搜索并进的搜索策略使得该算法具有了很强的全局收敛、寻优能力，求解速度快，求解质量高等特点，填补了人工蜂群算法在随机规划问题中应用研究的空白，具有一定的实用价值；同时它为其它不确定规划问题的高效求解提供了思路。

技术领域

本发明涉及随机规划技术领域，特别涉及一种基于人工蜂群算法解决SEVM模型问题的方法。

背景技术

随机规划已经在最优控制、电力调度、物流管理、信号与图像处理等应用领域展现了强大的生命力，然而在该类问题的求解时由于随机参数的注入，使得这类问题的求解算法自清华大学刘宝碇教授提出用遗传算法求解以来未取得重大进展。因遗传算法自身所固有的一些不足之处例如，控制变量较多、收敛缓慢、遗传操作过程复杂、局部搜索能力差以及计算量大等等，更高效的SEVM模型问题的求解算法依然是广大研究者们的关注点。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提供一种基于人工蜂群算法解决SEVM模型问题的方法，为SEVM问题的求解提供一个比经典的遗传算法更有效的求解方法，它具有的局部搜索和全局搜索并进的搜索策略使得该算法具有了很强的全局收敛、寻优能力，再加之该算法需要设置的参数不多，迭代规程中每次的计算量较小，使得其搜索速度和收敛速度都比较快，具有求解速度快，求解质量高等特点。填补了人工蜂群算法在随机规划问题中应用研究的空白。

为了实现上述目的，本发明采用的技术方案是：

一种基于人工蜂群算法解决SEVM模型问题的方法，包括以下步骤；

步骤一：建立模型：

SEVM单目标模型可描述为以下形式：

这里：ξ，x分别代表随机向量和决策向量，g_j(x，ξ)表示随机约束函数，f(x，ξ)刻画的是随机目标函数，期望值算子用E来进行表征，该模型表示了在随机期望值约束下使目标事件成立的随机机会函数最优；

决策者在给定了部分优先结构与管理目标之后，可以极小化与此目标的负偏差或正偏差，得到了SEVM模型的目标规划模型：

这里，p_j代表了优先系数，表示了每个目标的相对重要程度，且对于有p_j＞＞p_j+1；系统约束函数用g_j表示；目标i低于目标值的偏差用表示；目标i高于目标值的偏差用表示；目标约束的数目用m表示；系统约束的数目用p表示；优先级的数目用1表示；目标i的函数值用b_i表示；第i个目标的第j个优先级的正、负偏差权重系数分别通过u_ij和v_ij来表示；

步骤二：人工蜂群算法寻优的基本流程：

设求解问题的维数为D，蜜源的位置代表了问题的一个潜在解，蜜源的个数为SN，在ABC算法中，优化问题的求解过程就是在D维空间搜索最优解，设蜜源i在第n次迭代时的位置表示为x_i＝[x_i1，x_i2，…x_iD]，蜜源i的初始位置(潜在解)依据下式在搜索空间随机产生：

式中，j为D维解向量的某个分量；是第j维的上界和下界；

采蜜蜂依据如下式(2)在当前位置邻域进行搜索新的蜜源：