基于竞争机制的自适应人工蜂群算法的研究

摘要

仿生智能优化算法作为一种模拟自然界生物集体智慧从而求解优化问题的智能算法，已经受到越来越多的学者关注及研究，并被广泛的应用于函数优化、支持向量机训练、聚类分析、语音识别等领域中。而人工蜂群算法作为一种基于蜂群采蜜机制的新型群智能优化算法，由于其模型简易、控制参数少、寻优能力强等特点备受人们青睐。但是受其搜索策略的影响，在处理复杂问题时，仍然存在易陷入早熟和局部最优等问题，针对原始蜂群算法的诸多缺陷，本文在深入研究人工蜂群算法的理论体系和应用领域的基础上，对人工蜂群方法进行多方面的改进，并将其应用到函数优化和手写数字识别的问题中，实验结果表明，改进的蜂群算法对于解决函数优化和手写数字分类问题具有良好的效果。 本文的研究工作具体如下： （1）介绍了人工蜂群算法的生物模型、工作机制和运行步骤，并结合其他仿生智能优化算法的思想，详细的分析了人工蜂群算法的优缺点和待解决的问题。 （2）对人工蜂群算法从四个方面进行改进，首先，新算法利用竞争机制初始化种群，这样不仅保留了种群的多样化，还提高了初始蜜源的质量；其次，设计了一种自适应局部搜索策略来提高算法的邻域搜索能力；再次，在选择操作上，该算法引入自适应比例选择策略，有效避免算法收敛过速，并跳出局部最优；最后，对于即将抛弃的蜜源，采用最优值和最劣值来指导重置个体，从而提高算法的计算精度。 （3）利用标准测试函数测试改进蜂群算法的寻优性能，在实验的过程中进行参数分析和结果分析，并将其与其他仿生智能算法进行实验对比，最终结果表明改进的人工蜂群算法提升了函数的寻优精度并具有较强的鲁棒性。 （4）将改进的人工蜂群算法与混合核函数的支持向量机结合，提出了一种基于改进人工蜂群算法优化SVM的手写数字识别模型，利用改进人工蜂群算法优化SVM的各项参数，然后训练改进蜂群算法SVM分类模型，并将实验结果与传统SVM模型和原始ABC算法优化SVM分类器进行了比较。对比结果表明，该方法对手写数字的分类错误率大大减小，不仅减少了SVM模型训练中繁杂的人工设参问题，还有效地提高了支持向量机分类器的泛化能力和鲁棒性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

§1.1 研究背景和意义

§1.2 国内外研究现状

§1.3 本文主要研究内容及章节安排

第二章 人工蜂群算法

§2.1 人工蜂群算法的生物学模型

§2.2 人工蜂群算法原理

§2.3 人工蜂群算法步骤及流程图

§2.4 人工蜂群算法的参数分析

§2.5 人工蜂群算法的复杂度分析

§2.6 本章小结

第三章 基于竞争机制的自适应人工蜂群算法

§3.1 基于竞争机制的种群初始化

§3.2 局部搜索策略的增强

§3.3 自适应比例选择策略

§3.4 个体重置机制改善

§3.5 改进的人工蜂群算法分析

§3.6 改进蜂群算法收敛性的数学证明

§3.7 函数优化问题的实验对比

§3.8 本章小结

第四章 基于改进人工蜂群算法的支持向量机优化

§4.1 支持向量机

§4.2 混合核函数

§4.3 改进人工蜂群算法优化svm分类模型

§4.4 仿真实验

§4.5 本章小结

第五章 总结与展望

§5.1 论文总结

§5.2 工作展望

参考文献

致谢

作者在攻读硕士研究生期间主要研究成果