[发明专利]一种全局最优引导的自扰动混沌人工蜂群算法

摘要

本发明公开一种全局最优引导的自扰动混沌人工蜂群算法，针对现有蜂群算法收敛速度慢，通过混沌序列初始化解空间，提高算法收敛速度。针对现有算法局部搜索能力强但全局寻优能力较差的缺点，在雇佣蜂巡游阶段加入粒子群算法的全局最优引导策略，提高算法的全局搜索能力。针对蜂群算法后期容易陷入早熟收敛的问题，在跟随蜂寻优阶段加入Lévy飞行策略，跳出局部最优，避免早熟收敛。由于解的位置对算法后期求解精度和算法收敛速度具有一定影响，本发明通过轴对称方法进行边界自扰动，修改侦查蜂搜索新解中超出解空间位置的新解位置，提高算法效率。

主权项

1.一种全局最优引导的自扰动混沌人工蜂群算法，其特征在于：其包括以下步骤：步骤1，初始化种群数量2*SN,雇佣蜂employed bee和跟随蜂onlooker bee各SN,侦查蜂scout，迭代次数maxiter,跟随蜂的最大搜索次数limit；步骤2，利用混沌理论产生混沌序列，初始化解空间；具体地，其中利用Logistic映射式(1)产生混沌序列，并利用公式(2)进行候选解初始化。sn+1＝μsn(1‑sn)                                          (1)xij＝xmin,j+sn(xmax,j+xmin,j)                                 (2)其中μ∈[0,4]为随机数，i＝1，…，SN，且SN为蜜源数量；j＝1，…，D，且D为个体维度；n表示迭代次数；xmin,j为第j维下界，xmax,j为第j维上界；sn+1、sn为混沌序列中相应的数值；xij为第i个候选解的第j维；步骤3，在雇佣蜂阶段，引入粒子群中的当前全局最优解引导策略，提高算法的全局搜索能力，寻优公式如下：其中iter为当前迭代次数，maxiter为最大迭代次数，a是(0,1)间的常数，xgj为当前最优解的第j维；vij为雇佣蜂的速度；r1为(‑1,1)的随机数；步骤4，判断雇佣蜂搜索到的新解是否在规定的上下界之外；当雇佣蜂蜂搜索到的新解在规定的上下界之外时，对越界的个体进行越界处理；否则，执行步骤5；步骤5，在跟随蜂搜索阶段采用Lévy搜索策略搜索候选解，公式如(5)所示：vij＝xij+(xij‑xkj)*(r2‑0.5)*2+(xgj‑xkj)*s*r2*0.001           (5)其中，xij为第i个候选解的第j维，xkj为第k个候选解的第j维(k≠i)，xgj为当前最优解的第j维；r2为(0,1)的随机数，s为Lévy飞行策略的步长；步骤6，判断跟随蜂搜索到的新解是否在规定的上下界之外；当跟随蜂搜索到的新解在规定的上下界之外时，对越界的个体进行越界处理；否则，执行步骤7；步骤7，根据目标测试函数值和适应度计算公式计算候选解的适应度值；并结合贪婪选择算法更新候选解，若更新的候选解适应度值高于原来的候选解，则取代原来的候选解；否则保留原来的候选解；步骤8，判断达到最大搜索次数limit时搜索到的候选解是否更新；当达到最大搜索次数limit时搜索到的候选解还未更新，相应位置转变为侦查蜂，由侦查蜂在解空间范围内随机生成新的候选解；再将新的候选解的侦查蜂变为雇佣蜂并执行步骤3；否则，执行步骤9；步骤9，判断是否达到最大种群迭代次数的算法终止条件；当未达到算法终止条件时，跳转执行步骤3产生新的候选解；否则，输出寻找到的最优解，结束算法。