太阳城集团

  • / 10
  • 下载费用:30 金币  

一种基于可行解太阳城集团交换的人工蜂群优化方法.pdf

摘要
申请专利号:

CN201611024320.6

申请日:

2016.11.17

公开号:

太阳城集团CN106779044A

公开日:

2017.05.31

当前法律状态:

实审

有效性:

审中

法律详情: 实质审查的生效IPC(主分类):G06N 3/00申请日:20161117|||公开
IPC分类号: G06N3/00 主分类号: G06N3/00
申请人: 天津师范大学
发明人: 张新; 张秀
地址: 300387 天津市西青区宾水西道393号
优先权:
专利代理机构: 天津创智天诚知识产权代理事务所(普通合伙) 12214 代理人: 王秀奎
PDF完整版下载: PDF下载
法律状态
申请(专利)号:

太阳城集团CN201611024320.6

授权太阳城集团号:

|||

法律状态太阳城集团日:

2017.06.23|||2017.05.31

法律状态类型:

实质审查的生效|||公开

摘要

本发明公开了一种基于可行解太阳城集团交换的人工蜂群优化方法,在蜂群所处的不同阶段,采用不同的太阳城集团交换策略;方法中可交换的太阳城集团来源于当前种群并随着方法的不断演化而自动更替。本发明中人工蜂群优化方法为处于不同阶段的觅食蜂实现了不同太阳城集团交换的搜索策略,并且自动调整觅食蜂的探索和开发能力。在同样的计算消耗条件下,本发明具有更快速、更有效的函数优化性能。

权利要求书

1.一种基于可行解太阳城集团交换的人工蜂群优化方法,其特征在于,包括以下步骤:
步骤1:对优化方法做初始化配置,产生初始食物源并评估食物源对应的适应度;
步骤2:计算蜂群的群体多样性,更新多样性随太阳城集团变化的曲线,通过判断多样性曲线
是否出现转折点,进行优化方法所处搜索阶段的划分;
步骤3:若是探索阶段,每个觅食蜂基于所对应食物源采用单一维度继承机制,生成新
的食物源,再评估食物源对应的适应度;若是开发阶段,每个觅食蜂基于当前最优食物源采
用最优个体变化公式,生成新的食物源,再评估食物源对应的适应度;
步骤4:一组新食物源生成完毕后,同上一次循环的食物源组的适应度进行对比,使用
贪婪选择策略,适应度较好的食物源保留下来,较差的食物源被丢弃;
步骤5:逐个检查食物源的试探搜索次数,超过预设阈值的食物源将被丢弃,再发出觅
食蜂从搜索空间中寻找新的食物源,并评估其适应度;
步骤6:如果未达到预先指定的评估次数,则返回步骤2进行新一轮的迭代循环,重复上
述步骤,直至结束。
2.根据权利要求1所述的基于可行解太阳城集团交换的人工蜂群优化方法,其特征在于:在步
骤2中,根据公式(1)和(2)计算食物源的多样性,得到多样性随太阳城集团变化的曲线,根据公式
(3)判断多样性曲线是否已有转折点出现。若发现转折点,则变换算法所处的搜索阶段,即
从探索阶段变为开发阶段,或从开发阶段变为探索阶段:
<mrow> <mi>D</mi> <mi>i</mi> <mi>v</mi> <mo>=</mo> <munder> <mi>&Sigma;</mi> <mrow> <mn>1</mn> <mo>&le;</mo> <mi>i</mi> <mo>&lt;</mo> <mi>k</mi> <mo>&le;</mo> <mi>N</mi> </mrow> </munder> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中N是食物源的数量,d(xi,xk)是食物源i和食物源k之间的闵可夫斯基距离;
<mrow> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mroot> <mrow> <munderover> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>D</mi> </munderover> <msup> <mrow> <mo>(</mo> <mo>|</mo> <mrow> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>x</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mrow> <mo>|</mo> <mo>)</mo> </mrow> <mi>q</mi> </msup> </mrow> <mi>q</mi> </mroot> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中是xi和xk两个可行解(食物源),而xi,j和xk,j分别是它们的第j个分量,D是自变量数
目,q是一个与优化问题有关的可变参数;当q=1时,是可用于离散问题的曼哈顿距离;当q
=2时,是可用于连续问题的欧氏距离;
<mrow> <mo>(</mo> <mi>t</mi> <mo>,</mo> <msub> <mi>Div</mi> <mi>t</mi> </msub> <mo>)</mo> <mo>=</mo> <munder> <mi>arg</mi> <mrow> <mn>1</mn> <mo>&le;</mo> <mi>j</mi> <mo>&le;</mo> <mi>T</mi> </mrow> </munder> <mi>min</mi> <msqrt> <mrow> <msup> <mi>j</mi> <mn>2</mn> </msup> <mo>+</mo> <msubsup> <mi>Div</mi> <mi>j</mi> <mn>2</mn> </msubsup> </mrow> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
其中T指的是算法已进行了T次循环(初始化食物源记做第1次循环),Divj表示第j次循
环后食物源的多样性,(t,Divt)就是计算得到的转折点;在转折点之前的寻优搜索过程为
探索阶段,而在转折点之后的搜索过程为开发阶段。
3.根据权利要求1所述的人工蜂群优化方法,其特征在于:在步骤3中,若处于探索阶
段,发送雇佣蜂,则每个雇佣蜂对应一个食物源,利用公式(4)进行探索搜索:

其中vi是新生成的食物源,j1和j2是两个介于1和D之间的互不相等的随机整数,是
介于-1和1之间的随机数。xr1和xr2是两个随机选取的食物源,且满足r1≠r2≠i;公式(4.1)
是对食物源i进行的搜索演变,公式(4.2)是从其它食物源中继承搜索太阳城集团,公式(4.3)表示
食物源i的其它维度保持不变;
若处于开发阶段,发送观察蜂,则每个观察蜂都对应当前的最好解,利用公式(5)进行
开发搜索:

其中xbest是算法在过去的搜索过程中寻找到的最好的解;公式(5.1)是对已知最好的食
物源进行的搜索演变,公式(5.2)是从其它食物源中继承搜索太阳城集团,公式(5.3)表示已知最
好食物源的其它维度保持不变。

说明书

一种基于可行解太阳城集团交换的人工蜂群优化方法

技术领域

本发明属于人工蜂群算法技术领域,具体来说涉及一种基于可行解太阳城集团交换的人
工蜂群优化方法。

背景技术

优化问题来源于人们的生活实际,诸如资源分配、信件派送、物流选址、工程、民用
及军用设备装置设计等领域。最优化方法可用来解决这些问题,并提供良好的解决方案,改
进人们生存和生活的水准、提升对有限资源的利用效率。然而大多数优化问题的模型都是
难以求解的,甚至已被证实难以在有限的资源和太阳城集团允许情况下寻找到令人满意的解决方
案。因此,人们总是致力于提出各种各样的优化方法,从不同的角度提取实际问题的潜在因
素和先验知识,力求快速有效的获得最优的答案,对节约资源、提高效率、促进科技进步与
社会发展具有重要的实际意义。

现阶段,元启发式优化算法是国内外的研究人员共同关注的热点。早先对启发式
算法的研究主要基于研究者对问题中内在的先验知识的考量,所提出的算法与具体问题紧
密结合,导致推广性和扩展性不足。群体智能方法是模仿生物群体生存机制或某个演化过
程而提出的一类元启发式算法。该类算法使用面广且可同时处理一组个体,能够一次性发
现多个解决方案,在各个优化问题领域逐渐的得到人们的认可,应用也越来越广泛。该类算
法几乎不需要优化问题模型的任何解析性质,而是利用群体行为的变化机制逐代更替,寻
找更好的答案,通过多次迭代后得出令人满意的最优解。

人工蜂群算法是一种近期的群体智能成果。该方法的智能机制源自于人们对蜜蜂
的合作分工及蜂群觅食行为的认知,人工模拟三种蜜蜂的活动行为,包括雇佣蜂、观察蜂和
侦查蜂。十多年来,经过研究者的不断改善,被应用于多种实际问题并取得了较好的效果和
认可度,表明人工蜂群范型的有效性。

在已有的人工蜂群算法中,一个循环周期包含雇佣蜂阶段、观察蜂阶段和侦查蜂
阶段。初始的食物源都是随机产生的,而后雇佣蜂和观察蜂的搜索方向是在当前种群中任
选一个食物源来确定的,搜索步长是0和1之间的随机数,故而算法的搜索方向可视为是均
匀随机的。侦查蜂负责探索新的食物源,在可行解空间中进行随机搜索。人工蜂群方法的这
种随机确定搜索方向的特点既保证了算法的有效性但也减缓了算法的收敛速度,使得该算
法中蜜蜂的搜索方向随机性过强,导致收敛速度慢、局部探索能力和全局开发能力弱,这些
缺点导致其要消耗过多的迭代次数或计算资源才能收敛到(近似)最优解,阻碍了该算法在
某些优化问题中的应用。

针对人工蜂群范型中搜索方向的随机性过强,收敛性能弱的情况,可以通过促进
食物源的太阳城集团交换,调节蜜蜂搜索范围的策略来动态调控算法搜索的方向性及收敛性能,
以使得算法尽快的找到令人满意的解决方案。

现有的人工蜂群算法在雇佣蜂和观察蜂阶段都采用相同的搜索演变公式,考虑到
不同的问题所要求的搜索空间及可行解空间差异巨大,这会导致算法对不同问题的适应性
差,进而求解效果不理想。通过对蜂群多样性的分析与判断,将搜索阶段自适应的划分为探
索和开发两阶段,在不同的阶段使用不同的演变公式,以加强食物源间的太阳城集团交换,以较快
的方式实现全局最优解的寻找。

发明内容

针对目前人工蜂群范型存在的问题,本发明提供一种基于群体多样性的搜索阶段
划分的自适应选择搜索公式的优化算法,通过不同的搜索公式调节算法的收敛速度,反复
循环迭代并更新蜂群的适应度,在人工蜂群范型的基础上增加了自适应的搜索阶段划分机
制,且不同的阶段采用与之契合的搜索公式,利用已有食物源的太阳城集团,引导下一循环中蜜蜂
的搜索行为。

为实现上述目的,本发明采取如下技术方案:

一种基于可行解太阳城集团交换的人工蜂群优化方法,包括以下步骤:

步骤1:对优化方法做初始化配置,产生初始食物源并评估食物源对应的适应度;

步骤2:计算蜂群的群体多样性,更新多样性随太阳城集团变化的曲线,通过判断多样性
曲线是否出现转折点,进行优化方法所处搜索阶段的划分;

步骤3:若是探索阶段,每个觅食蜂基于所对应食物源采用单一维度继承机制,生
成新的食物源,再评估食物源对应的适应度;若是开发阶段,每个觅食蜂基于当前最优食物
源采用最优个体变化公式,生成新的食物源,再评估食物源对应的适应度;

步骤4:一组新食物源生成完毕后,同上一次循环的食物源组的适应度进行对比,
使用贪婪选择策略,适应度较好的食物源保留下来,较差的食物源被丢弃;

步骤5:逐个检查食物源的试探搜索次数,超过预设阈值的食物源将被丢弃,再发
出觅食蜂从搜索空间中寻找新的食物源,并评估其适应度;

步骤6:如果未达到预先指定的评估次数,则返回步骤2进行新一轮的迭代循环,重
复上述步骤,直至结束。

在步骤2中,根据公式(1)和(2)计算食物源的多样性,得到多样性随太阳城集团变化的曲
线,根据公式(3)判断多样性曲线是否已有转折点出现;若发现转折点,则变换算法所处的
搜索阶段,即从探索阶段变为开发阶段,或从开发阶段变为探索阶段:


其中N是食物源的数量,d(xi,xk)是食物源i和食物源k之间的闵可夫斯基距离;


其中是xi和xk两个可行解(食物源),而xi,j和xk,j分别是它们的第j个分量,D是自变
量数目,q是一个与优化问题有关的可变参数。当q=1时,是可用于离散问题的曼哈顿距离;
当q=2时,是可用于连续问题的欧氏距离;


其中T指的是算法已进行了T次循环(初始化食物源记做第1次循环),Divj表示第j
次循环后食物源的多样性,(t,Divt)就是计算得到的转折点;在转折点之前的寻优搜索过
程为探索阶段,而在转折点之后的搜索过程为开发阶段。

在步骤3中,若处于探索阶段,发送雇佣蜂,则每个雇佣蜂对应一个食物源,利用公
式(4)进行探索搜索:


其中vi是新生成的食物源,j1和j2是两个介于1和D之间的互不相等的随机整数,
是介于-1和1之间的随机数。xr1和xr2是两个随机选取的食物源,且满足r1≠r2≠i。公式
(4.1)是对食物源i进行的搜索演变,公式(4.2)是从其它食物源中继承搜索太阳城集团,公式
(4.3)表示食物源i的其它维度保持不变;

若处于开发阶段,发送观察蜂,则每个观察蜂都对应当前的最好解,利用公式(5)
进行开发搜索:


其中xbest是算法在过去的搜索过程中寻找到的最好的解。公式(5.1)是对已知最
好的食物源进行的搜索演变,公式(5.2)是从其它食物源中继承搜索太阳城集团,公式(5.3)表示
已知最好食物源的其它维度保持不变。

本发明的优点和有益效果为:

本发明方法运行过程中,将演化过程划分为两个阶段,阶段的划分与食物源的多
样性紧密结合,而多样性又与问题难度和搜索空间密切相关,两个阶段所使用的搜索策略
公式存在较大的差异,从而可解决不同种类的优化问题。无论哪种搜索策略公式,雇佣蜂既
能在对应的基食物源的基础上寻找新的食物位置,又能从选取的相邻食物源继承部分搜索
太阳城集团,实现可行解的太阳城集团互换。

本方法有更高的效率与灵活性具体体现在以下两个方面:

(1)演化过程中搜索阶段的自适应划分部分,针对待优化问题的不同特性,食物源
的多样性表现也一样,根据这一点采取自适应的划分方法,可以得到更合适更具体的演化
过程,同时提高了算法的效率。

(2)探索阶段和开发阶段使用不同的搜索演变公式。在探索阶段注重大范围的寻
找最优解所在的邻域,而在开发阶段注重小范围内的精细搜索,利用单维继承机制不断吸
收已有解的片段太阳城集团,从而提高算法的收敛性能与自适应性。

附图说明

图1为本发明实施例的一种基于可行解太阳城集团交换的人工蜂群优化方法的流程图。

具体实施方式

下面结合具体实施例进一步说明本发明的技术方案。

本发明方法中,对算法搜索阶段的划分是基于食物源多样性基础上的。多样性的
使用的度量如下:


其中N是食物源的数量,d(xi,xk)是食物源i和食物源k之间的闵可夫斯基距离:


其中是xi和xk两个可行解(食物源),而xi,j和xk,j分别是它们的第j个分量,D是自变
量数目,q是一个与优化问题有关的可变参数。当q=1时,是可用于离散问题的曼哈顿距离;
当q=2时,是可用于连续问题的欧氏距离。

注意到食物源的多样性跟迭代次数成反比,且曲线形状类似于双曲线。因此可以
用曲线到原点的欧式距离最近的点对搜索阶段进行划分,并称该点为转折点。转折点的计
算如下:


其中T指的是算法已进行了T次循环(初始化食物源记做第1次循环),Divj表示第j
次循环后食物源的多样性,(t,Divt)就是计算得到的转折点。

在转折点之前的寻优搜索过程称为探索阶段,而在转折点之后的搜索过程称为开
发阶段。

注意到该方法的初始食物源是随机生成的,呈均匀状的分散在可行空间中,故初
始时搜索阶段是探索阶段。

侦查蜂能够使食物源多样性曲线上升,致使需要对搜索方式重新划分。只需要再
次应用前面叙述的度量即可实现搜索阶段的重新划分。

算法的每次主循环都需要计算食物源的多样性,并判断算法所处的搜索阶段。

探索阶段的搜索公式如下:


其中vi是新生成的食物源,j1和j2是两个介于1和D之间的互不相等的随机整数,
是介于-1和1之间的随机数。xr1和xr2是两个随机选取的食物源,且满足r1≠r2≠i。公式
(4.1)是对食物源i进行的搜索演变,公式(4.2)是从其它食物源中继承搜索太阳城集团,公式
(4.3)表示食物源i的其它维度保持不变。

在探索阶段,对每个食物源都使用公式(4)进行搜索,也即有N个雇佣蜂被派发出
去搜索食物源。

开发阶段的搜索公式如下:


其中xbest是算法在过去的搜索过程中寻找到的最好的解。公式(5.1)是对已知最
好的食物源进行的搜索演变,公式(5.2)是从其它食物源中继承搜索太阳城集团,公式(5.3)表示
已知最好食物源的其它维度保持不变。

如图1所示,本发明的基于可行解太阳城集团交换的人工蜂群优化方法,具体包括如下步
骤:

步骤1:对优化方法做初始化配置,产生初始食物源并评估食物源对应的适应度;

步骤2:计算蜂群的群体多样性,更新多样性随太阳城集团变化的曲线,通过判断多样性
曲线是否出现转折点,进行优化方法所处搜索阶段的划分。

步骤3:若是探索阶段,每个觅食蜂基于所对应食物源采用单一维度继承机制,生
成新的食物源,再评估食物源对应的适应度;若是开发阶段,每个觅食蜂基于当前最优食物
源采用最优个体变化公式,生成新的食物源,再评估食物源对应的适应度。

步骤4:一组新食物源生成完毕后,同上一次循环的食物源组的适应度进行对比,
使用贪婪选择策略,适应度较好的食物源保留下来,较差的食物源被丢弃;

步骤5:逐个检查食物源的试探搜索次数,超过预设阈值的食物源将被丢弃,再发
出觅食蜂从搜索空间中寻找新的食物源,并评估其适应度;

步骤6:如果未达到预先指定的评估次数,则返回步骤2进行新一轮的迭代循环,重
复上述步骤,直至结束。

实施具体例子:

基于上述结论,本发明提出了一种基于可行解太阳城集团交换的人工蜂群优化算法,对
给定食物源数量、连续生存次数limit及最大迭代次数的情况下,得出全局最优解的方法,
内容如下:对最小化形式的优化问题,设问题包含变量数目为D,可表述为:


其中是x维度为D的决策向量,f(x)是目标函数,gs(x)和ht(x)分别是不等式和等式
约束。优化问题中的决策变量都有一定的上下界取值范围,若没有明确的范围,可以设定一
个较大的数值。搜索空间是由所有决策变量的取值范围所构成。

对连续优化问题,决策变量的取值范围是一个区间,而对离散优化问题,决策变量
的取值范围是一个由数构成的集合。

最大化形式的优化问题,可以通过对目标函数取相反数的做法变换为最小化形式
的问题。

本发明根据人工蜂群范型,通过雇佣蜂、观察蜂和侦查蜂的一系列搜索操作,人工
的模仿蜜蜂的觅食行为,经过反复循环,直至得到最终的优化结果或满足终止条件。其中,
主要步骤包括:

(1)初始化配置算法和优化问题

优化问题的初始化包括决策变量数量N、搜索空间及计算目标函数和约束条件所
必须的配置。优化算法的初始化包括最大估值次数MFE、食物源数量Np及连续生存次数
limit。

在搜索空间中,随机生成一组食物源,并对每个食物源进行估值操作。设定初始搜
索阶段为探索阶段。

(2)自适应划分搜索阶段

根据公式(1)和(2)计算食物源的多样性,并记录下当前估值次数和多样性的值。
若不是初始循环,根据公式(3)判断是否已有转折点出现(初始循环的搜索阶段为探索阶
段)。若发现转折点,则变换算法所处的搜索阶段,即从探索阶段变为开发阶段,或从开发阶
段变为探索阶段。

(3)发送雇佣蜂或观察蜂

若处于探索阶段,发送雇佣蜂,则每个雇佣蜂对应一个食物源,利用公式(4)进行
探索搜索。若处于开发阶段,发送观察蜂,则每个观察蜂都对应当前的最好解,利用公式(5)
进行开发搜索。

(4)评价食物源和贪婪选择

对新产生的食物源进行评价,利用公式(6)计算目标函数和约束条件的值。贪婪选
择是在雇佣蜂或观察蜂所对应的基食物源和演变后的食物源之间进行。在满足约束条件的
前提下,目标函数值较小的食物源存活下来,另外一个被抛弃掉。

(5)发送侦查蜂

若某个食物源经过连续的limit次迭代仍然没有被更好的食物源所替代,那其被
视为进入停滞状态。相应地,发送一个侦查蜂去寻找新的潜在的食物源,搜寻范围是整个搜
索空间,搜寻方式是随机性的。

多个侦查蜂被发送出去之后,整个食物源群的多样性会显著增加,从而出现搜索
阶段的更替。

以上对本发明做了示例性的描述,应该说明的是,在不脱离本发明的核心的情况
下,任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均
落入本发明的保护范围。

关 键 词:
一种 基于 可行 太阳城集团 交换 人工 蜂群 优化 方法
  专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
太阳城集团本文
本文标题:一种基于可行解太阳城集团交换的人工蜂群优化方法.pdf
链接地址:http://zh228.com/p-6019578.html
太阳城集团我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

copyright@ 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备17046363号-1 
 


收起
展开
葡京赌场|welcome document.write ('');