基于平均熵的自适应人工蜂群算法改进研究

摘要

人工蜂群算法是由Karaboga于2005年提出的一种基于蜂群采蜜行为的新型群体智能优化算法，具有控制参数少、计算简单、全局寻优能力强等优点。在函数优化处理、人工神经网络训练、路径规划、滤波器设计等领域取得了较好的效果并受到越来越多的学者的研究及推广。然而，作为一种新的智能进化优化算法，由于受到个体选择策略和进化方式的影响，蜜蜂在搜索的过程中接近最佳蜜源时，仍然可能存在着搜索速度减缓，种群个体多样性减少，算法收敛速度也会随之降低等问题，进而容易陷入局部最优，最终导致算法早熟收敛。针对人工蜂群算法的诸多不足，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，从多个角度对人工蜂群算法进行了改进，并应用改进的人工蜂群算法在一定程度上解决了函数优化问题，实验结果表明改进的蜂群算法对于解决函数优化问题达到了比较好的效果。
　　本文的具体研究工作如下：
　　1、详细介绍了人工蜂群算法的基本理论、内在机制和运行原理，并结合其他仿生智能优化算法的机制，深入的研究了人工蜂群算法的优缺点和待改进的方向。
　　2、对人工蜂群算法进行了三个方向的改进，首先，为增大初始种群多样性，使种群均匀分布在搜索空间，本文采用平均熵的策略来初始化种群，提高算法收敛于全局最优解的鲁棒性；其次，针对目标函数自适应的调节邻域搜索的步长，从而提高ABC算法的局部搜索能力；最后，将自适应选择策略引入到人工蜂群算法中来代替适应度比例选择法，随着当前蜜源性状的变化而动态地选择蜜源，平衡算法的全局搜索能力和局部搜索能力。
　　3、将改进的人工蜂群算法应用于函数优化问题，在实验的过程中进行参数分析和结果分析，经过对比实验，最终结果表明改进的人工蜂群算法在函数优化问题上具有良好的性能。
　　4、将改进的人工蜂群算法与RBF神经网络结合，提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型，利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数，然后训练改进的人工蜂群算法RBF神经网络预测模型，并将其应用到短时交通流预测进行有效验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明，该方法对短时交通流量的预测误差大大减小，预测精度相对提高，也相对减少了在网络模型训练过程中需要调整参数的繁琐。

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 引言

§2.2 人工蜂群算法生物学背景

§2.3 人工蜂群算法原理

§2.4 人工蜂群算法步骤及流程图

§2.5 人工蜂群算法的特点

§2.6 本章小结

第三章 人工蜂群算法收敛性的数学证明

§3.1 引言

§3.2 人工蜂群算法的数学描述

§3.3 算法收敛性证明的定义

§3.4 人工蜂群算法收敛性证明

§3.5 本章小结

第四章 基于平均熵的自适应人工蜂群算法

§4.1 引言

§4.2 基于平均熵的种群初始化

§4.3 局部搜索策略的增强

§4.4 自适应比例选择策略

§4.5 改进的人工蜂群算法流程

§4.6 改进的人工蜂群算法求解函数优化问题

§4.7 本章小结

第五章 基于改进蜂群算法的RBF神经网络

§5.1 引言

§5.2 RBF神经网络原理

§5.3 改进蜂群算法优化RBF神经网络预测模型

§5.4 仿真实验

§5.5 本章小结

第六章 总结与展望

参考文献

致谢

作者在攻读硕士研究生期间主要研究成果