CN111291854A - 一种基于多种改进策略的人工蜂群算法的优化方法 - Google Patents
一种基于多种改进策略的人工蜂群算法的优化方法 Download PDFInfo
- Publication number
- CN111291854A CN111291854A CN202010047160.7A CN202010047160A CN111291854A CN 111291854 A CN111291854 A CN 111291854A CN 202010047160 A CN202010047160 A CN 202010047160A CN 111291854 A CN111291854 A CN 111291854A
- Authority
- CN
- China
- Prior art keywords
- strategy
- bee
- bees
- search
- observation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 230000010355 oscillation Effects 0.000 claims abstract description 11
- 230000007547 defect Effects 0.000 claims abstract description 7
- 241000257303 Hymenoptera Species 0.000 claims description 34
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及一种基于多种改进策略的人工蜂群算法的优化方法,本发明分别对差分进化策略(DES),三角因子振荡策略(TFOS),异维学习策略(DDVLS),高斯分布策略(GDS)进行改进,增强了算法的全局搜索能力,提高了解的精度,最后求得全局最优解,从而有效克服了ABC算法的缺点,准确率提高了,而且收敛速度加快,达到了对经典ABC算法优化的效果。
Description
技术领域
本发明涉及群智能优化技术领域,尤其涉及一种基于多种改进策略的人工蜂群算法的优化方法。
背景技术
群智能优化算法是一种基于群智能算法构建的随机优化方法。不同于传统的数学优化方法,群智能优化算法通过搜索代理的不断迭代演化对解空间中进行随机搜索。近几十年来,该研究领域的学者已经提出了很多群智能算法,这些算法的提出大多数都是受到自然界动物群体的运动和繁衍等行为的启发。
由于群智能优化算法具有实现简单,灵活性强,鲁棒性高和不使用梯度方法等优点,已经被成功的应用到很多研究领域中的优化问题,如函数优化、特征选择、路径规划、疾病诊断等优化问题,这些研究结果都表明群智能优化算法可以有效求解这些问题。人工蜂群算法(ABC算法)是一种模拟蜜蜂觅食搜索行为的群智能优化算法。由于其控制参数少、易于实现、计算简洁等优点,已被越来越多的学者所关注。现在目前经典的人工蜂群算法(ABC算法)存在容易陷入局部极小值,求解精度低的问题,亟需改进。
发明内容
本发明为克服上述的不足之处,目的在于提供一种基于多种改进策略的人工蜂群算法的优化方法,本发明分别对差分进化策略(DES),三角因子振荡策略(TFOS),异维学习策略(DDVLS),高斯分布策略(GDS)进行改进,增强了算法的全局搜索能力,提高了解的精度,最后求得全局最优解,从而有效克服了ABC算法的缺点,准确率提高了,而且收敛速度加快,达到了对经典ABC算法优化的效果。
本发明是通过以下技术方案达到上述目的:一种基于多种改进策略的人工蜂群算法的优化方法,包括如下步骤:
(1)利用块编码的方式确定多种改进策略的人工蜂群算法的参数并初始化种群;并计算种群中每个个体适应度值并判断容量限定,舍弃不满足容量要求的个体;
(2)雇佣蜂采用经差分进化策略、异维学习策略以及三角因子振荡策略改进后的方程进行循环搜索;观察蜂采用经高斯分布策略改进后的搜索方程进行循环搜索;
(3)设定记录板记录蜜蜂的搜索状态,根据记录板的内容确定是否产生侦查蜂,并且侦查蜂采用经差分进化策略、异维学习策略改进后的搜索方程开始搜索;判断是否达到终止条件,若是则输出结果;否则,重复上述步骤继续求解。
作为优选,所述在步骤(1)中,利用块编码的方式设定多种改进策略的人工蜂群算法的参数:蜂群数量NP、食物源数量NP/2、控制参数limit、最大循环数MaxCycle、D维解空间;并且在解空间随机产生初始解Xi(i=1,2,…,NP),计算其适应度值:即它表示第g代种群的第d个个体,且表示第i级的第k个基因位。
作为优选,所述步骤(2)中,利用差分进化策略和异维学习策略,为雇佣蜂提供了更多的学习机会,避免了单一维度寻优的问题,从而大大提高了雇佣蜂的全局搜索能力;此外,通过引入三角因子振荡策略、全局精英解和自适应权重因子,可以进一步提高雇佣蜂的全局搜索能力;利用全局精英解,可以有效地将当前种群的搜索方向向更好的解靠近;此外,自适应权重因子可以动态调整步长;在迭代初期,权重因子被用来扩展搜索空间,而在后期,它使个体进行精细搜索并收敛到最优位置;此处雇佣蜂按如下公式搜索新解:
其中,cos(λ)为三角振荡因子,且λ是在[3.14,π]范围内的一个随机数,r,r1,r3∈{1,2,…,NP},且r≠r1≠r2,F=2,K1,K2,K3∈{1,2,…,D},且K1≠K2≠K3,ξ为自适应权重因子且ξ=(maxCycle-iter)/maxCycle,是在[-1,1]范围内的一个随机数,xge是全局精英解;
在观察蜂阶段,引入一种具有自适应高斯分布因子的变异策略来克服观察蜂的缺点,使得观察蜂在迭代初期获得更多的食物源,从而避免后期过度开发;并且在观察蜂阶段,使用差分进化策略和异维学习策略来寻找新的食物源;此处观察蜂按照如下公式产生新解,并计算其适应度值;
其中,γ服从均值为0,标准差为0.5的高斯分布,其余参数和雇佣蜂相同。
作为优选,所述步骤(3)中,在侦查蜂阶段,引入一个记录板来记录蜜蜂的状态并将信息反馈给侦察蜂;具体地说,即设置一个控制参数ε值为10-5作为阈值,如果记录板上的适应度值在五次连续迭代中没有变化或者在小于ε的范围内变化,侦查蜂将采用公式进行搜索,各参数与上述式子相同,一旦达到算法的终止条件,输出最后的结果。
本发明的有益效果在于:(1)本发明具有较强的鲁棒性、收敛速度快以及全局寻优能力强,提高了求解的准确性;(2)本发明采用多个具有代表性的标准测试函数,性能优于经典的ABC算法;不仅准确率提高了,而且收敛速度加快,达到了对经典ABC算法优化的效果。
附图说明
图1是本发明的方法流程示意图;
图2是本发明实施例的块编码方式示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此:
实施例:如图1所示,一种基于多种改进策略的人工蜂群算法的优化方法基于MISABC算法,对8个具有代表性的标准测试函数进行寻优,求解出它们的最小值,具体步骤如下:
(1)利用块编码的方式确定多种改进策略的人工蜂群算法的参数并初始化种群;然后计算种群中每个个体适应度值并判断容量限定舍弃不满足容量要求的个体;。具体的,首先设定MISABC算法参数即设定初始化蜂群数量NP、食物源数量NP/2、控制参数limit、最大循环数MaxCycle、D维解空间,并且在解空间随机产生初始解Xi(i=1,2,…,NP),计算其适应度值,整个算法采用块编码方式,如图2所示;即它表示第g代种群的第d个个体(蜜蜂),且表示第i级的第k个基因位。
(2)雇佣蜂采用经差分进化策略(DES)、异维学习策略(DDVLS)以及三角因子振荡策略改进后的方程进行循环搜索;观察蜂采用经自适应高斯分布因子的变异策略改进后的搜索方程进行循环搜索。
在雇佣蜂阶段,由于经典ABC算法中雇佣蜂的全局搜索能力不强,使得蜜蜂之间的信息交互能力差从而造成资源浪费。因此,本发明利用DES和DDVLS策略,为雇佣蜂提供了更多的学习机会,避免了单一维度寻优的问题,从而大大提高了雇佣蜂的全局搜索能力。此外,通过引入TFOS、全局精英解(种群中的最优个体)和自适应权重因子,可以进一步提高雇佣蜂的全局搜索能力。有了TFOS,它可以保证蜜蜂不会陷入局部最优。同时,利用全局精英解,可以有效地将当前种群的搜索方向向更好的解靠近。此外,自适应权重因子可以动态调整步长。在迭代初期,权重因子被用来扩展搜索空间,而在后期,它使个体进行精细搜索并收敛到最优位置。此处雇佣蜂按公式搜索新解。其中,cos(λ)为三角振荡因子,且λ是在[3.14,π]范围内的一个随机数,r,r1,r3∈{1,2,…,NP},且r≠r1≠r2,F=2,K1,K2,K3∈{1,2,…,D},且K1≠K2≠K3,ξ为自适应权重因子且ξ=(maxCycle-iter)/maxCycle,是在[-1,1]范围内的一个随机数,xge是全局精英解。
在观察蜂阶段,经典ABC算法中,观察蜂往往由于过度开发而无法找到更好的解,特别是在迭代后期。为了避免这种情况,在观察蜂阶段引入了一种具有自适应GDS因子的变异策略来克服观察蜂的缺点,使得观察蜂在迭代初期获得更多的食物源,从而避免后期过度开发。此外,在观察蜂阶段,本发明仍然使用DES和DDVLS来寻找新的食物源。此处观察蜂按照公式产生新解,并计算其适应度值。其中,γ服从均值为0,标准差为0.5的高斯分布,其余参数和雇佣蜂相同。
(3)设定记录板记录蜜蜂的搜索状态,根据记录板的内容确定是否产生侦查蜂,并且侦查蜂采用经差分进化策略(DES)、异维学习策略(DDVLS)改进后的搜索方程开始搜索。最后判断是否达到终止条件,若是则输出结果;否则,重复上述步骤继续求解。
由于侦察蜂的随机搜索行为是提高算法全局搜索能力的关键。但是,这种搜索行为只有当食物源没有在预设范围内得到进一步改善时,它才会被激活。在某些情况下,种群在局部最优解附近高度聚集,这可能导致解空间的停滞。为了确保解是否随着迭代而改进,此处引入了一个记录板来记录蜜蜂的状态并将信息反馈给侦察蜂。具体地说,即设置一个控制参数ε值为10-5作为阈值,如果记录板上的适应度值在五次连续迭代中没有变化或者在小于ε的范围内变化,侦查蜂将采用公式进行搜索,各参数与上述式子相同。如果某只雇佣蜂在其食物源邻域搜索次数iter达到控制参数limit时,仍然没有找到适应度值更高的新解,即放弃该食物源,随机初始化该雇佣蜂的位置。
综上所述,本发明通过引入以下四种策略:(a)差分进化策略(DES),(b)三角因子振荡策略(TFOS),(c)异维学习策略(DDVLS),(d)高斯分布策略(GDS),使得原有的人工蜂群算法全局搜索能力增强,收敛速度加快,提高了解的精度,最后求得全局最优解,从而有效克服了ABC算法的缺点,达到了对经典ABC算法优化的效果。
以上的所述乃是本发明的具体实施例及所运用的技术原理,若依本发明的构想所作的改变,其所产生的功能作用仍未超出说明书及附图所涵盖的精神时,仍应属本发明的保护范围。
Claims (4)
1.一种基于多种改进策略的人工蜂群算法的优化方法,其特征在于,包括如下步骤:
(1)利用块编码的方式确定多种改进策略的人工蜂群算法的参数并初始化种群;并计算种群中每个个体适应度值并判断容量限定,舍弃不满足容量要求的个体;
(2)雇佣蜂采用经差分进化策略、异维学习策略以及三角因子振荡策略改进后的方程进行循环搜索;观察蜂采用经高斯分布策略改进后的搜索方程进行循环搜索;
(3)设定记录板记录蜜蜂的搜索状态,根据记录板的内容确定是否产生侦查蜂,并且侦查蜂采用经差分进化策略、异维学习策略改进后的搜索方程开始搜索;判断是否达到终止条件,若是则输出结果;否则,重复上述步骤继续求解。
3.根据权利要求1所述的一种基于多种改进策略的人工蜂群算法的优化方法,其特征在于:所述步骤(2)中,利用差分进化策略和异维学习策略,为雇佣蜂提供了更多的学习机会,避免了单一维度寻优的问题,从而大大提高了雇佣蜂的全局搜索能力;此外,通过引入三角因子振荡策略、全局精英解和自适应权重因子,可以进一步提高雇佣蜂的全局搜索能力;利用全局精英解,可以有效地将当前种群的搜索方向向更好的解靠近;此外,自适应权重因子可以动态调整步长;在迭代初期,权重因子被用来扩展搜索空间,而在后期,它使个体进行精细搜索并收敛到最优位置;此处雇佣蜂按如下公式搜索新解:
其中,cos(λ)为三角振荡因子,且λ是在[3.14,π]范围内的一个随机数,r,r1,r3∈{1,2,…,NP},且r≠r1≠r2,F=2,K1,K2,K3∈{1,2,…,D},且K1≠K2≠K3,ξ为自适应权重因子且ξ=(maxCycle-iter)/maxCycle,是在[-1,1]范围内的一个随机数,xge是全局精英解;
在观察蜂阶段,引入一种具有自适应高斯分布因子的变异策略来克服观察蜂的缺点,使得观察蜂在迭代初期获得更多的食物源,从而避免后期过度开发;并且在观察蜂阶段,使用差分进化策略和异维学习策略来寻找新的食物源;此处观察蜂按照如下公式产生新解,并计算其适应度值;
其中,γ服从均值为0,标准差为0.5的高斯分布,其余参数和雇佣蜂相同。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010047160.7A CN111291854A (zh) | 2020-01-16 | 2020-01-16 | 一种基于多种改进策略的人工蜂群算法的优化方法 |
CN202110033906.3A CN112651483B (zh) | 2020-01-16 | 2021-01-12 | 一种面向大规模多批次任务协同的云制造服务组合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010047160.7A CN111291854A (zh) | 2020-01-16 | 2020-01-16 | 一种基于多种改进策略的人工蜂群算法的优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111291854A true CN111291854A (zh) | 2020-06-16 |
Family
ID=71022306
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010047160.7A Pending CN111291854A (zh) | 2020-01-16 | 2020-01-16 | 一种基于多种改进策略的人工蜂群算法的优化方法 |
CN202110033906.3A Active CN112651483B (zh) | 2020-01-16 | 2021-01-12 | 一种面向大规模多批次任务协同的云制造服务组合优化方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110033906.3A Active CN112651483B (zh) | 2020-01-16 | 2021-01-12 | 一种面向大规模多批次任务协同的云制造服务组合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN111291854A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931990A (zh) * | 2020-07-13 | 2020-11-13 | 江西理工大学 | 基于优化最小二乘支持向量机的电力负荷预测方法 |
CN112530529A (zh) * | 2020-12-09 | 2021-03-19 | 合肥工业大学 | 一种气体浓度预测方法、系统、设备及其存储介质 |
CN115474216A (zh) * | 2022-11-02 | 2022-12-13 | 中国人民解放军国防科技大学 | 基于自适应蜂鸟算法的飞行自组网拓扑优化方法和装置 |
CN116646568A (zh) * | 2023-06-02 | 2023-08-25 | 陕西旭氢时代科技有限公司 | 一种基于元启发式的燃料电池电堆参数寻优方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836727B (zh) * | 2021-09-27 | 2023-04-25 | 西南交通大学 | 用于复杂产品群智协同设计过程的设计能力优化方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544547B (zh) * | 2013-11-02 | 2016-08-17 | 南京航空航天大学 | 一种基于离散化全局分布搜索的可信服务组合方法 |
CN106650058B (zh) * | 2016-12-08 | 2020-06-26 | 南京航空航天大学 | 一种基于改进人工蜂群算法的协同电子干扰任务调度方法 |
CN109816243A (zh) * | 2019-01-24 | 2019-05-28 | 浙江财经大学 | 面向动态任务感知的云制造协同任务调度方法 |
-
2020
- 2020-01-16 CN CN202010047160.7A patent/CN111291854A/zh active Pending
-
2021
- 2021-01-12 CN CN202110033906.3A patent/CN112651483B/zh active Active
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931990A (zh) * | 2020-07-13 | 2020-11-13 | 江西理工大学 | 基于优化最小二乘支持向量机的电力负荷预测方法 |
CN111931990B (zh) * | 2020-07-13 | 2022-03-08 | 江西理工大学 | 基于优化最小二乘支持向量机的电力负荷预测方法 |
CN112530529A (zh) * | 2020-12-09 | 2021-03-19 | 合肥工业大学 | 一种气体浓度预测方法、系统、设备及其存储介质 |
CN112530529B (zh) * | 2020-12-09 | 2024-01-26 | 合肥工业大学 | 一种气体浓度预测方法、系统、设备及其存储介质 |
CN115474216A (zh) * | 2022-11-02 | 2022-12-13 | 中国人民解放军国防科技大学 | 基于自适应蜂鸟算法的飞行自组网拓扑优化方法和装置 |
CN116646568A (zh) * | 2023-06-02 | 2023-08-25 | 陕西旭氢时代科技有限公司 | 一种基于元启发式的燃料电池电堆参数寻优方法 |
CN116646568B (zh) * | 2023-06-02 | 2024-02-02 | 陕西旭氢时代科技有限公司 | 一种基于元启发式的燃料电池电堆参数寻优方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112651483A (zh) | 2021-04-13 |
CN112651483B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291854A (zh) | 一种基于多种改进策略的人工蜂群算法的优化方法 | |
CN107330902B (zh) | 基于Arnold变换的混沌遗传BP神经网络图像分割方法 | |
CN110110380B (zh) | 一种压电执行器迟滞非线性建模方法及应用 | |
CN110599068A (zh) | 一种基于粒子群优化算法的云资源调度方法 | |
CN111709511A (zh) | 一种基于随机无迹Sigma点变异的哈里斯鹰优化算法 | |
CN109816087B (zh) | 基于人工鱼群与蛙群混合算法的粗糙集属性约简的强对流天气判别方法 | |
CN113255873A (zh) | 一种聚类天牛群优化方法、系统、计算机设备和存储介质 | |
Zhou et al. | Fractional-order modeling and fuzzy clustering of improved artificial bee colony algorithms | |
CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
Alam et al. | Artificial Bee Colony algorithm with Self-Adaptive Mutation: A novel approach for numeric optimization | |
CN111027665A (zh) | 一种基于改进混沌蝙蝠群算法的云制造调度方法 | |
Zhang et al. | Reinforcement learning with actor-critic for knowledge graph reasoning | |
Li et al. | Improved whale optimization algorithm based on variable spiral position update strategy and adaptive inertia weight | |
CN110766072A (zh) | 一种基于结构相似性的计算图进化ai模型自动生成方法 | |
CN114662638A (zh) | 基于改进人工蜂群算法的移动机器人路径规划方法 | |
CN114841611A (zh) | 一种基于改进海洋捕食者算法求解作业车间调度的方法 | |
CN108415783B (zh) | 一种基于改进蜂群算法的异构多核任务分配方法 | |
CN106970840A (zh) | 一种结合任务调度的软硬件划分方法 | |
Cai et al. | Application of improved wavelet neural network in MBR flux prediction | |
Hongru et al. | A hybrid PSO based on dynamic clustering for global optimization | |
Luo et al. | Study on the particle swarm optimization based on double mutation | |
Han | Personalized course evolutionary based on genetic algorithm | |
Peng et al. | An improved artificial fish swarm algorithm | |
CN117078312B (zh) | 一种基于人工智能的广告投放管理方法及系统 | |
Gao et al. | Robust bacterial foraging algorithms based on few excellent individuals guidance strategy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200616 |