[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

摘要

一种基于改进的蜂群算法的工程约束参数优化方法，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。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，利用传统蜂群算法对工程参数进行优化具有较强的适应性、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。

主权项

一种基于改进人工蜂群算法的工程约束参数优化方法，其特征在于，该方法包括以下步骤：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。p(l,m)(i,j)n=[τi,jn-1]α·[ηi,j]βΣ(i,j)∈Ω(l,m)[τi,jn-1]α·[ηi,j]β]]>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，Rij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，wij为引领蜂初始位置，lij为引领蜂领域搜索位置，φij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：Fi(t)=Fi-1(t)*(1+cosφ),ifcosφ>0Fi-1(t)/(2-cosφ),ifcosφ<0]]>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qi,由qi计算适应度函数值Qi,在当前搜索的位置Qi大于qi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Qi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fiti表达式为：Qi=1/(1+qi)ifqi≥01+abs(qi)ifqi<0]]>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Qi，得到跟随蜂转至各蜂源概率Pi，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wbest；所涉及的转移概率Pi表达式为：Pi=e-a·b/c·QiΣi=1NQi+(1-e-a·b/c)·Qi-QminΣi=1N(Qi-Qmin)]]>其中，Qmin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。当迭代次数大于最大限制迭代次数Limit时，要放弃所在蜜源，同时由侦查蜂代替引领蜂产生一个新的位置。