基于多精英单纯形和双种群综合学习的人工蜂群算法

摘要

人工蜂群(Artificial Bee Colony, ABC)算法作为一种群体智能随机搜索优化算法，具有结构简单，设置参数少，易与其他算法结合等特点.但ABC算法和其他群智能算法一样，在求解无约束优化问题时存在易早熟、局部搜索能力弱、寻优精度低等问题.本文主要针对ABC算法局部搜索能力弱、难以平衡全局搜索和局部寻优能力等缺点，借助单纯形方法和多种群的思想提出了两个改进的人工蜂群算法.
　　算法1是基于多精英单纯形和定向选择的人工蜂群算法(MENM-DS-ABC).受粒子群启发的多精英人工蜂群(PS-MEABC)优化算法利用蜂群中的精英个体和全局最优个体增强解的局部寻优能力.算法1在PS-MEABC算法基础上，通过引入定向选择策略和基于蜜源目标函数值排序改进跟随蜂选择概率公式，并利用多精英Nelder-Mead单纯形方法增强蜜源的局部开采，进一步平衡蜂群的全局搜索和局部寻优能力.数值实验表明，改进的算法不仅在寻优精度和收敛速度上均有明显提高，并在高维的优化问题上寻优性能更加稳定.
　　算法2是基于综合学习的双种群人工蜂群算法(DPCLABC).算法将整个种群划分成两个子种群，分别为全局搜索子群(子种群1）和局部寻优子群(子种群2）.受粒子群算法的启发将蜜源随机一维的更新调整为所有维同时更新.同时利用综合学习策略生成两个子种群的学习样本，增强蜜源的搜索能力.此外，还运用反向学习改进初始种群，学习乘性权重更新算法用于跟随蜂选择概率公式的更新.数值实验在18个单峰、多峰和旋转基准测试函数上进行，数值结果表明新算法能更好地平衡种群的全局搜索和局部寻优能力，能够防止算法过早收敛并提高收敛精度.

目录

声明

摘要

第1章 绪论

§1．1 最优化问题

§1．2 人工蜂群算法研究现状

§1．3 文章组织

第2章 基本算法

§2．1 人工蜂群算法

§2．2 粒子群算法

§2．3 本章小结

第3章 基于多精英单纯形和定向选择的人工蜂群算法

§3．1 多精英人工蜂群算法

§3．2 基于多精英单纯形和定向选择的人工蜂群算法

§3．2．1 定向选择策略

§3．2．2 基于蜜源目标函数值排序的选择概率公式

§3．2．3 多精英单纯形增强局部寻优机制

§3．2．4 MENM-DS-ABC算法步骤(算法1)

§3．3 数值实验

§3．3．1 测试函数和参数设置

§3．3．2 实验结果

§3．4 本章小结

第4章 基于综合学习的双种群人工蜂群算法

§4．1 人工蜂群算法的综合学习策略

§4．2 反向学习改进初始种群

§4．3 乘性权重更新方法改进选择概率

§4．4 DPCLABC算法流程(算法2)

§4．5 数值实验

§4．5．1 实验设置

§4．5．2 参数分析

§4．5．3 实验结果与讨论

§4．5．4 算法改进策略的比较

§4．6 本章小结

第5章 总结与工作展望

附录

参考文献

致谢