[发明专利]基于改进人工蜂群算法的约束多目标优化方法

摘要

本发明针对于基本人工蜂群优化方法解决约束多目标优化问题的不足，以应急救援第一阶段物资调度问题为应用背景，提出一种基于改进人工蜂群算法的约束多目标优化方法。该方法基于反向解的定义提出融合反向学习的食物源初始化过程，来提高50％初始解的质量。同时，为了平衡优化过程的“开发”和“探索”能力，该方法将反向学习策略和广泛学习策略融合到蜜蜂搜索过程，以提升搜索效率。构建基于非线性缺失损失的多对多、一次性消耗应急物资调度约束多目标优化模型，并形成实施实例，大量测试结果表明，本方法与基本人工蜂群优化方法相比较，所求出的非支配前沿解数量更多，在解空间上的分配更广泛、均匀，更接近于Pareto最优解。

主权项

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。