[发明专利]一种基于人工蜂群算法的优化方法

说明书

本发明公开了一种基于人工蜂群算法的优化方法，涉及仿生智能计算与优化领域。本发明采用一种新的初始化策略，从而获得较高质量的初始种群并减少寻优迭代次数；然后提出了两个新的搜索方程，其中一个用于增强局部搜索能力，另一个用于避免后期寻优过程的早熟收敛；进一步地，本发明对基本人工蜂群算法的框架进行了调整。本发明在于提供一种基于人工蜂群算法的优化方法，增强初始种群的多样性和分布性，提高搜索随机性，避免陷入局部最优，改进算法性能，无论在解的精度还是收敛速度方面，效果都有所提高。

技术领域

本发明涉及仿生智能计算与优化领域，尤其涉及一种基于人工蜂群算法的优化方法。

背景技术

随着科学技术的日益发展，许多工程的核心问题最终都归结为优化问题。因此，最优化已经成为工程技术人员必不可少的计算工具。在计算机已经广为普及的今天，一些大规模的优化问题的求解可以在一台普通的计算机上实现，使得最优化方法得到了比以往任何时候都更加广泛的应用。

人工蜂群算法(Artificial Bee Colony，ABC)属于仿生智能算法的一种，是由Karaboga于2005年提出的一种新颖的基于群智能的全局优化算法，将蜂群的采蜜过程作为模拟对象。自然界中的蜜蜂的种群中的所有蜜蜂都有清晰的工作划分，不同分工的蜜蜂之间也有简单的信息交流，不同分工的蜜蜂也会转换职能，蜂群通过相互协作找到最优蜜源。人工蜂群算法模拟了蜜蜂种群的分工、信息交流、职能转换等过程，算法中包含的三个最基本的元素为：蜜源、雇佣蜂、未被雇佣蜂。蜜蜂根据各自的分工进行不同的活动，并实现蜂群信息的共享和交流，从而找到问题的最优解，具有具有控制参数少、容易实现，局部搜索能力强以及应用范围广的优点。

但是，传统人工蜂群算法仍存在种群初始化不均匀、搜索能力不平衡等等缺点。

发明内容

本发明要解决的技术问题，在于提供一种基于人工蜂群算法的优化方法，增强初始种群的多样性和分布性，提高搜索随机性，避免陷入局部最优，改进算法性能。

本发明是这样实现的：

一种基于人工蜂群算法的优化方法，包括：

步骤10、设置EeABC的参数，所述参数包括种群大小SN、最大迭代次数MCN、最大评估次数MFE、个体维数D、阈值limit；

步骤20、生成初始种群，同时产生一个解和所述解的反向解，公式如下：

其中，i∈{1,2,…,SN}，表示蜜源的数量；j∈{1,2,…,D}，表示个体维度；表示解x_i第j维的值；表示的反向解，表示第j维变量的取值范围；rand(0,1)为0到1之间的随机数；k∈[0,1]，为广义系数；[a_j,b_j]为第j维搜索空间的动态边界；

若反向解越界，采用公式(4)重新取值：

其中，rand(·)为随机函数，取值介于与之间；

步骤30、根据公式(5)分别计算个体的适应值，选取适应值较大的SN/2个个体作为初始雇佣蜂种群：

其中，fit_i表示第i个个体的适应值，f_i表示第i个个体的函数值；

步骤40、在由步骤30选择出来的雇佣蜂个体附近进行邻域搜索，得到新蜜源，搜索策略如公式(6)所示：；