【摘要】：人工蜂群(Artificial Bee Colony,ABC)算法是最流行的群智能算法之一,具有控制參數(shù)少,結(jié)構(gòu)簡單等特點,競爭性更強.但是,該算法在收斂性方面仍然存在不足,這種算法擅長全局探索,局部開采能力卻很弱.尤其當(dāng)問題維數(shù)升高,算法的尋優(yōu)精度會很低.本文針對ABC算法難以平衡全局探索與局部尋優(yōu)的缺陷,基于自適應(yīng)差分和跨鄰域的生物地理學(xué)思想提出了兩個改進的人工蜂群算法.算法1是基于自適應(yīng)差分的人工蜂群算法(SADEABC).受自適應(yīng)差分進化算法利用變異策略庫自適應(yīng)選擇變異策略及其參數(shù)的啟發(fā),在人工蜂群算法的基礎(chǔ)上,引入交叉率與慣性權(quán)重,利用差分向量與全局最好信息來增強雇傭蜂的搜索能力,達到平衡全局探索與局部尋優(yōu)的目的.利用差分策略庫使跟隨蜂自主選擇更新策略,將更多的計算資源分配給效果好的策略.此外,算法1利用混沌系統(tǒng)與反向?qū)W習(xí)初始化種群,使算法的初始解分布更加均勻.SADEABC算法在18個基準(zhǔn)函數(shù)上進行測試,并與五個算法進行比較.實驗結(jié)果表明,改進的算法在收斂速度與解的精度上都有明顯的提高,具有顯著的競爭力.算法2是基于跨鄰域搜索與生物地理學(xué)遷移的人工蜂群算法(ANS-BMABC).受跨鄰域搜索算法的啟發(fā),算法在雇傭蜂階段自適應(yīng)選擇跨鄰域搜索度,使得蜜源在更新過程中能學(xué)習(xí)多個其他蜜源的部分信息,可以得到潛在好解,加強算法的全局搜索能力.算法2還利用生物地理學(xué)遷移策略引導(dǎo)跟隨蜂的搜索,加強蜂群間的信息交流,提高算法的性能.數(shù)值實驗在18個單峰、多峰和旋轉(zhuǎn)基準(zhǔn)函數(shù)上進行,并且通過與當(dāng)前高性能算法的比較,數(shù)值實驗結(jié)果表明新算法在收斂速度與尋優(yōu)精度方面均表現(xiàn)突出,并在高維問題上尋優(yōu)性能更加穩(wěn)定.
【圖文】：

ｘ１０ｓ邐ｘ１０５逡逑圖３．２邋Ｓｃｈｗｅｆｅｌ２．２２函數(shù)３０維收斂曲線圖３．３邋Ｓｃｈｗｅｆｅｌ２．２２函數(shù)１００維收斂曲線逡逑在／１４上，ＳＡＤＥＡＢＣ雖不能繼續(xù)保持其最好的水準(zhǔn)，但尋優(yōu)精度與最好的算法逡逑精度相同．逡逑通過對表３．３與表３．４的分析可以發(fā)現(xiàn)，函數(shù)３０維時，ＳＡＤＥＡＢＣ算法可以逡逑在１８個測試函數(shù)中的１３個表現(xiàn)最好，而函數(shù)１００維時則有１５個測試函數(shù)結(jié)果逡逑表現(xiàn)最好．綜合所有類型的測試函數(shù)，ＳＡＤＥＡＢＣ算法的尋優(yōu)性能最突出．逡逑圖邋３．２—圖邋３．７邋展示邋ＡＢＣ、ＳＡＤＥ、ＭＡＢＣ、ＨＣＬＰＳＯ、ＨＣＬＡＢＣ邋與邋ＳＡＤＥ＊逡逑ＡＢＣ邋算法測試邋３０邋維與邋１００邋維的／４邋（Ｓｃｈｗｅｆｅｌ２．２２）、／９邋（Ａｃｋｌｅｙ）、／ｉ３邋（Ｒｏｔａｔｅｄ－逡逑Ｓｐｈｅｒｅ），最大函數(shù)計算次數(shù)分別是３０００００與６０００００，，獨立運行３０次之后平均最逡逑優(yōu)值的收斂情況．從圖中可以看出，ＳＡＤＥＡＢＣ有比其他５種算法更快的收斂速逡逑度和更高的尋優(yōu)精度，由此

Ｓｔｄ邐０．００ｅ＋００邐４．５６ｅ－２５邐３．４６６８ｅ－３０邐９．１０ｅ－８９邐３．７９ｅ－１６邐０．００ｅ＋００逡逑Ｒａｎｋ邐１邐６邐４邐３邐５邐２逡逑／１４邐Ｍｅａｎ邐２．５６ｅ＋０１邐２．５９ｅ＋０１邐２．８７ｅ＋０１邐１．４６ｅ＋０１邐２．６８ｅ＋０１邐１．７７ｅ＋０１逡逑Ｓｔｄ邐５．９６ｅ－０１邐１．３０ｅ＋００邐２．９７ｅ＋００邐１．２１ｅ＋００邐１．８２ｅ＋００邐１．２８ｅ－０１逡逑Ｒａｎｋ邐３邐５邐６邐１邐４邐２逡逑／１５邐Ｍｅａｎ邐５．３５ｅ－２５２邐４．１７ｅ－０２邐３．０１ｅ＋０１邐２．９４ｅ－ｌ２邐３．５２ｅ＋００邐３．３３ｅ－２４３逡逑Ｓｔｄ邐０．００ｅ＋００邐４．８１ｅ－０２邐４．０９ｅ－０１邐７．４９０７ｅ－１２邐３．８８ｅ－０１邐０．００ｅ＋００逡逑Ｒａｎｋ邐１邐４邐６邐３邐５邐２逡逑ｆｌ６邐Ｍｅａｎ邐０．００ｅ＋００邐５．５０ｅ＋０１邐１．９８ｅ＋０２邐２．５２ｅ＋０２邐３．０３ｅ＋０２邐０．００ｅ＋００逡逑Ｓｔｄ邐０．００ｅ＋００邐１．３２ｅ＋０１邐２．６２ｅ＋０１邐２－３６ｅ＋０１邐３．１３ｅ＋０１邐０．００ｅ＋００逡逑Ｒａｎｋ邐１邐３邐４邐５邐６邐１逡逑ｆｌ７邐Ｍｅａｎ邐０．００ｅ＋００邐４．９１ｅ－０１邐４．２３ｅ＋00邐１．３８ｅ－０１邐１．１３ｅ＋０１邐０．００ｅ＋００逡逑Ｓｔｄ邐０．００ｅ＋００邐７．１１ｅ－０１邐２．７８ｅ＋００邐３．６３ｅ－０１邐４．５７ｅ＋００邐０．００ｅ＋００逡逑Ｒａｎｋ邐１邐４邐５邐３邐６邐１逡逑／ｌ８邐Ｍｅａｎ邐４．９３ｅ－０３邐１．０８ｅ－０２邐３．５０ｅ－０１邐７．４１ｅ－０２邐３．２８ｅ－０
【學(xué)位授予單位】：南京師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP18

【參考文獻】

相關(guān)期刊論文 前2條

1 ;Improved artificial bee colony algorithm with mutual learning[J];Journal of Systems Engineering and Electronics;2012年02期

2 胡中華;趙敏;;基于人工蜂群算法的TSP仿真[J];北京理工大學(xué)學(xué)報;2009年11期

本文編號：2599398