[发明专利]一种人工蜂群算法

说明书

本发明涉及人工蜂群算法技术领域，具体涉及一种人工蜂群算法，包括初始化阶段、引领蜂阶段、跟随蜂阶段和侦查蜂阶段，所述引领蜂阶段和/或跟随蜂阶段中产生新蜜源的公式为：v_ij＝x_ij+θ×(x_ij‑x_kj)，其中，所述θ为非线性变化因子，v_ij表示新蜜源，x_ij表示当前蜜源，x_kj表示相邻蜜源，k∈{1,2,…,SN}，j∈{1,2,…,D}两者都是随机选择，并且k≠i；j代表被更新的维度。本发明在蜜源更新公式中设计了非线性变化因子，随着蜂群逐渐接近最优蜜源，蜜源更新步长慢慢减小，有利于蜂群在当前蜜源附近仔细的搜索更加优质的蜜源，提高了算法的寻优精度。

技术领域

本发明涉及人工蜂群算法技术领域，具体涉及一种人工蜂群算法。

背景技术

1、人工蜂群算法的基本模型：

人工蜂群算法是一种较新的群智能优化算法，算法将蜂群的采蜜过程作为模拟对象。一个蜜蜂种群包含的成员有成千上万只蜂蜜，如此庞大的群体中的每个个体必须要有明确的分工及合作，否则将陷入一片混乱。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，各司其职，同时不同分工的蜜蜂之间也有简单的信息交流，除此之外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。

(1)蜜源：蜜源与实际优化问题中的可行解对应，蜜源的质量受多方面因素的影响，如与蜂巢的距离远近，花蜜含量高低，开采的难度等等。同样，在实际的优化问题中解的质量也受很多因素的影响，比如待优化函数包含多个未知参数。为了评价蜜源质量的优劣同时又不大幅增加算法的复杂度，实际应用时一般都只设置一个参数，在这里我们用“适应度”(fitness)来评价蜜源质量的好坏，适应度值越高的蜜源质量越好。

(2)雇佣蜂：雇佣蜂也称引领蜂或工蜂，在描述过程中一般称为引领蜂，一个引领蜂对应一个蜜源的，因此两者的数量相等。采蜜时引领蜂携带着对应蜜源的描述信息，如蜜源的距离、所处的方位、蜜源的富集程度等，实际上这些描述信息对应着实际问题中每个参数的值。引领蜂将其开采的蜜源的描述信息带回蜂巢并与蜂巢里未被雇佣的蜜蜂分享，未被雇佣的蜜蜂采用轮盘赌的选择方式选择蜜源。

(3)未被雇佣蜂：分为侦察蜂和跟随蜂。如果某个蜜源经过有限次迭代后蜜源质量仍未提高，那么开采此蜜源的引领蜂将转变为侦察蜂并通过随机搜索的方式寻找新蜜源，找到新蜜源后再次转变为引领蜂。跟随蜂的角色是比较固定的，引领蜂完成采蜜后携带蜜源的相关信息返回蜂巢，跟随蜂根据轮盘赌的选择方式选择蜜源，然后开始采蜜。在算法的初始时刻，所有的蜜蜂都没有携带任何有关蜜源的信息，因此在算法初始时期所有的蜜蜂都是侦察蜂，在随机搜索蜜源后，部分蜜蜂转变为其它角色。

人工蜂群算法中的蜜蜂根据工种不同可以分为三种：引领蜂、侦察蜂和跟随蜂，其中蜜蜂的数量(NP)是蜜源的2倍，引领蜂和蜜源的数量相等，在算法执行过程中蜜蜂的角色可以相互转换。整个蜂群的搜索过程可以简单的描述为：算法开始时引领蜂通过随机搜索的方式发现蜜源并对蜜源进行初步的邻域搜索，跟随蜂从引领蜂那里获得所有蜜源的信息，并按轮盘赌的选择方式选择质量较优的蜜源进行邻域搜索。引领蜂转变为侦察蜂后在全局范围内搜索新的蜜源，然后再次转变为引领蜂。

如图1所示，在蜜蜂采蜜过程中，始终存在着信息交流和角色转换的过程，蜜蜂通过相互之间的协作完成采蜜过程。在算法的初始阶段，所有的蜜蜂都是侦察蜂且对蜂巢周围的蜜源信息没有任何了解。由于蜜蜂的内在和外在原因，蜜蜂将根据分工或角色划分为两种类型：①部分蜜蜂由侦察蜂转变为引领蜂，引领蜂随机搜索蜜源，如图中的路线S；②另一部分蜜蜂由侦察蜂转变为跟随蜂，在引领蜂招募蜜蜂时选择蜜源，然后对所选蜜源进行搜索，如图中的路线R。