[发明专利]一种提高全局搜索能力的混合爆炸式人工蜂群方法

说明书

本发明公开一种提高全局搜索能力的混合爆炸式人工蜂群方法，涉及计算智能技术领域，解决人工蜂群算法(ABC)局部搜索与全局搜索不平衡导致全局搜索能力不足的问题，其技术方案要点是：鉴于手榴弹爆炸法(GEM)能一致收敛于好解方向且鲁棒性强，而柯西变异算子更适合用于全局搜索，按照优势互补的思想，用GEM改进ABC观察蜂的局部搜索能力，并用柯西变异算子提高侦察蜂的全局搜索能力，提出一种新的混合算法ABCGC，在每次迭代中，不用随机方法，而使观察蜂选择最优搜索维参数确定蜜源，侦察蜂采用柯西分布搜索更新蜜源，ABCGC能更好地平衡局部搜索和全局搜索，具有提高全局搜索能力和求解质量的效果，用经典函数优化问题和电力系统优化调度问题验证ABCGC是可行且有效的。

技术领域

本发明涉及计算智能技术领域，更具体地说，它涉及一种提高全局搜索能力的混合爆炸式人工蜂群方法。

背景技术

电力系统调度问题指优化电力系统中各个发电机组有功发电功率，在满足各发电机组有功发电功率范围、负载用电需求和系统网络损耗等约束条件下，使系统发电成本F最小。电力系统优化调度是典型的高维、非线性、多约束规划问题。如何充分利用现有资源，在满足运行约束和负荷需求的前提下，合理配置各机组的输出功率，从而保证电力系统运行的经济性和可靠性，是调度决策的关键。电力系统优化调度是系统规划和运行领域的重要课题，合理有效的调度策略对电力系统的经济运行和安全可靠意义重大。

人工蜂群算法(Artificial Bee Colony Algorithm,简称ABC算法)是一个由蜂群行为启发的算法，在2005年由Karaboga小组为优化代数问题而提出。一个稳健的搜索过程应包含全局搜索和局部搜索。全局搜索是指独立寻找最优解的能力，而局部搜索是指在好解附近找到最优解的能力。虽然经典的人工蜂群算法(Artificial Bee Colonyalgorithm，ABC)的全局搜索能力较强，但其局部搜索能力较弱，即ABC的局部搜索与全局搜索不平衡，导致其全局搜索能力仍存在不足。

研究者们陆续提出许多改进算法以提高ABC的性能。例如，Gao提出两种全局最优人工蜂群算法，即ABC/best/1和ABC/best/2；Luo设计一种收敛观察蜂的人工蜂群算法(COABC)。他们都使用全局搜索到的历史最优解引导当前种群的更新以提高算法的局部搜索能力。

手榴弹爆炸法(GrenadeExplosionMethod，GEM)是Ahrari受手榴弹爆炸机制的启发于2009年提出的一种优化技术。GEM融入个体领域与最优搜索方向的概念，能求解高维、多峰函数，当移动和缩放目标函数及搜索空间时其性能基本保持不变，而且不依赖于函数的结构特征，这些均体现GEM一致收敛于好解方向且鲁棒性强的特点，具有解决复杂优化问题的巨大潜力。

一种根据柯西分布产生随机数的柯西变异算子产生长跳的概率较高，Yao认为它更适合用于全局搜索，而Li认为柯西变异算子能确保在全局范围内进行搜索且不会早熟收敛，大量文献表明这种算子能更好地平衡局部搜索和全局搜索之间的矛盾。很多研究者将柯西变异算子应用于某种算法以改进原有算法性能，主要是提高算法的全局搜索能力，其次是提高算法的局部搜索能力，例如，Yao在进化规划中引入柯西变异算子，使搜索步长增大，从而能快速获得全局最优解；Rudolph从理论上证明使用柯西变异算子的进化规划，其最大化问题在步长满足一定条件的前提下，算法是收敛的且与初始种群无关；Zhang运用贝叶斯技术提高粒子群算法的局部搜索能力，而用柯西变异进行全局搜索以获得更优解；Dong根据柯西分布的高概率区集中在原点附近，将柯西变异策略引入生物地理学优化算法，以加强该算法在最优解附近进行精细搜索，从而提高解的精度。

因此，如何研究设计一种提高全局搜索能力的混合爆炸式人工蜂群方法是我们目前急需解决的问题，为解决更多工程和管理问题提供理论基础。

发明内容