基于自适应差分进化和跨邻域生物地理学迁移的人工蜂群算法

发布时间：2020-03-25 04:29

【摘要】：人工蜂群(Artificial Bee Colony,ABC)算法是最流行的群智能算法之一,具有控制参数少,结构简单等特点,竞争性更强.但是,该算法在收敛性方面仍然存在不足,这种算法擅长全局探索,局部开采能力却很弱.尤其当问题维数升高,算法的寻优精度会很低.本文针对ABC算法难以平衡全局探索与局部寻优的缺陷,基于自适应差分和跨邻域的生物地理学思想提出了两个改进的人工蜂群算法.算法1是基于自适应差分的人工蜂群算法(SADEABC).受自适应差分进化算法利用变异策略库自适应选择变异策略及其参数的启发,在人工蜂群算法的基础上,引入交叉率与惯性权重,利用差分向量与全局最好信息来增强雇佣蜂的搜索能力,达到平衡全局探索与局部寻优的目的.利用差分策略库使跟随蜂自主选择更新策略,将更多的计算资源分配给效果好的策略.此外,算法1利用混沌系统与反向学习初始化种群,使算法的初始解分布更加均匀.SADEABC算法在18个基准函数上进行测试,并与五个算法进行比较.实验结果表明,改进的算法在收敛速度与解的精度上都有明显的提高,具有显著的竞争力.算法2是基于跨邻域搜索与生物地理学迁移的人工蜂群算法(ANS-BMABC).受跨邻域搜索算法的启发,算法在雇佣蜂阶段自适应选择跨邻域搜索度,使得蜜源在更新过程中能学习多个其他蜜源的部分信息,可以得到潜在好解,加强算法的全局搜索能力.算法2还利用生物地理学迁移策略引导跟随蜂的搜索,加强蜂群间的信息交流,提高算法的性能.数值实验在18个单峰、多峰和旋转基准函数上进行,并且通过与当前高性能算法的比较,数值实验结果表明新算法在收敛速度与寻优精度方面均表现突出,并在高维问题上寻优性能更加稳定.
【图文】：

曲线,函数,曲线图,测试函数

ｘ１０ｓ逦ｘ１０５逡逑图３．２邋Ｓｃｈｗｅｆｅｌ２．２２函数３０维收敛曲线图３．３邋Ｓｃｈｗｅｆｅｌ２．２２函数１００维收敛曲线逡逑在／１４上，ＳＡＤＥＡＢＣ虽不能继续保持其最好的水准，但寻优精度与最好的算法逡逑精度相同．逡逑通过对表３．３与表３．４的分析可以发现，函数３０维时，ＳＡＤＥＡＢＣ算法可以逡逑在１８个测试函数中的１３个表现最好，而函数１００维时则有１５个测试函数结果逡逑表现最好．综合所有类型的测试函数，ＳＡＤＥＡＢＣ算法的寻优性能最突出．逡逑图邋３．２—图邋３．７邋展示邋ＡＢＣ、ＳＡＤＥ、ＭＡＢＣ、ＨＣＬＰＳＯ、ＨＣＬＡＢＣ邋与邋ＳＡＤＥ＊逡逑ＡＢＣ邋算法测试邋３０邋维与邋１００邋维的／４邋（Ｓｃｈｗｅｆｅｌ２．２２）、／９邋（Ａｃｋｌｅｙ）、／ｉ３邋（Ｒｏｔａｔｅｄ－逡逑Ｓｐｈｅｒｅ），最大函数计算次数分别是３０００００与６０００００，，独立运行３０次之后平均最逡逑优值的收敛情况．从图中可以看出，ＳＡＤＥＡＢＣ有比其他５种算法更快的收敛速逡逑度和更高的寻优精度，由此

曲线,函数,曲线

Ｓｔｄ逦０．００ｅ＋００逦４．５６ｅ－２５逦３．４６６８ｅ－３０逦９．１０ｅ－８９逦３．７９ｅ－１６逦０．００ｅ＋００逡逑Ｒａｎｋ逦１逦６逦４逦３逦５逦２逡逑／１４逦Ｍｅａｎ逦２．５６ｅ＋０１逦２．５９ｅ＋０１逦２．８７ｅ＋０１逦１．４６ｅ＋０１逦２．６８ｅ＋０１逦１．７７ｅ＋０１逡逑Ｓｔｄ逦５．９６ｅ－０１逦１．３０ｅ＋００逦２．９７ｅ＋００逦１．２１ｅ＋００逦１．８２ｅ＋００逦１．２８ｅ－０１逡逑Ｒａｎｋ逦３逦５逦６逦１逦４逦２逡逑／１５逦Ｍｅａｎ逦５．３５ｅ－２５２逦４．１７ｅ－０２逦３．０１ｅ＋０１逦２．９４ｅ－ｌ２逦３．５２ｅ＋００逦３．３３ｅ－２４３逡逑Ｓｔｄ逦０．００ｅ＋００逦４．８１ｅ－０２逦４．０９ｅ－０１逦７．４９０７ｅ－１２逦３．８８ｅ－０１逦０．００ｅ＋００逡逑Ｒａｎｋ逦１逦４逦６逦３逦５逦２逡逑ｆｌ６逦Ｍｅａｎ逦０．００ｅ＋００逦５．５０ｅ＋０１逦１．９８ｅ＋０２逦２．５２ｅ＋０２逦３．０３ｅ＋０２逦０．００ｅ＋００逡逑Ｓｔｄ逦０．００ｅ＋００逦１．３２ｅ＋０１逦２．６２ｅ＋０１逦２－３６ｅ＋０１逦３．１３ｅ＋０１逦０．００ｅ＋００逡逑Ｒａｎｋ逦１逦３逦４逦５逦６逦１逡逑ｆｌ７逦Ｍｅａｎ逦０．００ｅ＋００逦４．９１ｅ－０１逦４．２３ｅ＋00逦１．３８ｅ－０１逦１．１３ｅ＋０１逦０．００ｅ＋００逡逑Ｓｔｄ逦０．００ｅ＋００逦７．１１ｅ－０１逦２．７８ｅ＋００逦３．６３ｅ－０１逦４．５７ｅ＋００逦０．００ｅ＋００逡逑Ｒａｎｋ逦１逦４逦５逦３逦６逦１逡逑／ｌ８逦Ｍｅａｎ逦４．９３ｅ－０３逦１．０８ｅ－０２逦３．５０ｅ－０１逦７．４１ｅ－０２逦３．２８ｅ－０
【学位授予单位】：南京师范大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18

【参考文献】