[发明专利]一种基于可行解信息交换的人工蜂群优化方法

说明书

技术领域

本发明属于人工蜂群算法技术领域，具体来说涉及一种基于可行解信息交换的人工蜂群优化方法。

背景技术

优化问题来源于人们的生活实际，诸如资源分配、信件派送、物流选址、工程、民用及军用设备装置设计等领域。最优化方法可用来解决这些问题，并提供良好的解决方案，改进人们生存和生活的水准、提升对有限资源的利用效率。然而大多数优化问题的模型都是难以求解的，甚至已被证实难以在有限的资源和时间允许情况下寻找到令人满意的解决方案。因此，人们总是致力于提出各种各样的优化方法，从不同的角度提取实际问题的潜在因素和先验知识，力求快速有效的获得最优的答案，对节约资源、提高效率、促进科技进步与社会发展具有重要的实际意义。

现阶段，元启发式优化算法是国内外的研究人员共同关注的热点。早先对启发式算法的研究主要基于研究者对问题中内在的先验知识的考量，所提出的算法与具体问题紧密结合，导致推广性和扩展性不足。群体智能方法是模仿生物群体生存机制或某个演化过程而提出的一类元启发式算法。该类算法使用面广且可同时处理一组个体，能够一次性发现多个解决方案，在各个优化问题领域逐渐的得到人们的认可，应用也越来越广泛。该类算法几乎不需要优化问题模型的任何解析性质，而是利用群体行为的变化机制逐代更替，寻找更好的答案，通过多次迭代后得出令人满意的最优解。

人工蜂群算法是一种近期的群体智能成果。该方法的智能机制源自于人们对蜜蜂的合作分工及蜂群觅食行为的认知，人工模拟三种蜜蜂的活动行为，包括雇佣蜂、观察蜂和侦查蜂。十多年来，经过研究者的不断改善，被应用于多种实际问题并取得了较好的效果和认可度，表明人工蜂群范型的有效性。

在已有的人工蜂群算法中，一个循环周期包含雇佣蜂阶段、观察蜂阶段和侦查蜂阶段。初始的食物源都是随机产生的，而后雇佣蜂和观察蜂的搜索方向是在当前种群中任选一个食物源来确定的，搜索步长是0和1之间的随机数，故而算法的搜索方向可视为是均匀随机的。侦查蜂负责探索新的食物源，在可行解空间中进行随机搜索。人工蜂群方法的这种随机确定搜索方向的特点既保证了算法的有效性但也减缓了算法的收敛速度，使得该算法中蜜蜂的搜索方向随机性过强，导致收敛速度慢、局部探索能力和全局开发能力弱，这些缺点导致其要消耗过多的迭代次数或计算资源才能收敛到(近似)最优解，阻碍了该算法在某些优化问题中的应用。

针对人工蜂群范型中搜索方向的随机性过强，收敛性能弱的情况，可以通过促进食物源的信息交换，调节蜜蜂搜索范围的策略来动态调控算法搜索的方向性及收敛性能，以使得算法尽快的找到令人满意的解决方案。

现有的人工蜂群算法在雇佣蜂和观察蜂阶段都采用相同的搜索演变公式，考虑到不同的问题所要求的搜索空间及可行解空间差异巨大，这会导致算法对不同问题的适应性差，进而求解效果不理想。通过对蜂群多样性的分析与判断，将搜索阶段自适应的划分为探索和开发两阶段，在不同的阶段使用不同的演变公式，以加强食物源间的信息交换，以较快的方式实现全局最优解的寻找。

发明内容

针对目前人工蜂群范型存在的问题，本发明提供一种基于群体多样性的搜索阶段划分的自适应选择搜索公式的优化算法，通过不同的搜索公式调节算法的收敛速度，反复循环迭代并更新蜂群的适应度，在人工蜂群范型的基础上增加了自适应的搜索阶段划分机制，且不同的阶段采用与之契合的搜索公式，利用已有食物源的信息，引导下一循环中蜜蜂的搜索行为。

为实现上述目的，本发明采取如下技术方案：

一种基于可行解信息交换的人工蜂群优化方法，包括以下步骤：

步骤1：对优化方法做初始化配置，产生初始食物源并评估食物源对应的适应度；

步骤2：计算蜂群的群体多样性，更新多样性随时间变化的曲线，通过判断多样性曲线是否出现转折点，进行优化方法所处搜索阶段的划分；

步骤3：若是探索阶段，每个觅食蜂基于所对应食物源采用单一维度继承机制，生成新的食物源，再评估食物源对应的适应度；若是开发阶段，每个觅食蜂基于当前最优食物源采用最优个体变化公式，生成新的食物源，再评估食物源对应的适应度；

步骤4：一组新食物源生成完毕后，同上一次循环的食物源组的适应度进行对比，使用贪婪选择策略，适应度较好的食物源保留下来，较差的食物源被丢弃；

步骤5：逐个检查食物源的试探搜索次数，超过预设阈值的食物源将被丢弃，再发出觅食蜂从搜索空间中寻找新的食物源，并评估其适应度；

步骤6：如果未达到预先指定的评估次数，则返回步骤2进行新一轮的迭代循环，重复上述步骤，直至结束。