一种改进的人工蜂群算法研究

发布时间：2021-01-15 15:24

　　针对人工蜂群算法在更新策略中精度与稳定性不高的问题,提出一种改进的人工蜂群算法。该改进的人工蜂群算法通过增加每次更新维度的个数来改善算法的精度,在文中所选择的每次更新维度的个数为可行解维数的1/2;同时,该算法选择当前适应值最优的蜂蜜源在其周围进行邻域搜索,避免了由于随机性而带来的算法精度降低问题。最后,比较改进的人工蜂群算法与经典的粒子群算法,通过多个高维测试函数的仿真实验表明,改进的人工蜂群算法比粒子群算法具有更高的精度和稳定性,展现了更好的性能。 

【文章来源】：现代电子技术. 2020,43(12)北大核心

【文章页数】：6 页

【部分图文】：

ABC流程图

为了测试改进ABC算法的求解精度与收敛速度[20-21]，采用5个标准测试函数：Sphere函数、Rosenbrock函数、Rastrigin函数、Griewank函数和Ackley函数，并与粒子群算法（PSO）进行了比较。3.1.1 Sphere函数

5个测试函数的仿真曲线如图4～图8所示。根据图4～图8运行结果可知，对于Sphere函数，改进的ABC算法在大约第250次循环时达到1,PSO算法在大约第100次循环时稳定到1.5；对于Rosenbrock函数，改进的ABC算法在大约第500次循环时稳定在160,PSO算法在大约第100次循环时稳定到200；对于Rastrigin函数，改进的ABC算法在大约第500次循环时达到80,PSO算法在大约第100次循环时稳定到200；对于Griewank函数，改进的ABC算法在大约第500次循环时达到0.01,PSO算法在大约第100次循环时稳定到0.025；对于Ackley函数，改进的ABC算法在大约第400次循环时达到0.5,PSO算法在大约第50次循环时稳定到2。由此可见，改进的ABC算法较PSO算法展示了更好的求解精度与稳定性，但在收敛效果方面略有不足，这也是以后有待于改进的地方。图5 Rosenbrock函数收敛曲线

【参考文献】：
期刊论文
[1]基于深度信念网络的K-means聚类算法研究[J]. 杨慧婷,杨文忠,殷亚博,许超英.  现代电子技术. 2019(08)
[2]On Multicast Routing With Network Coding: A Multiobjective Artificial Bee Colony Algorithm[J]. Huanlai Xing,Fuhong Song,Lianshan Yan,Wei Pan.  中国通信. 2019(02)
[3]增强开发能力的改进人工蜂群算法[J]. 张志强,鲁晓锋,孙钦东,王侃.  计算机应用. 2019(04)
[4]一种基于混沌搜索改进的人工蜂群算法[J]. 田屏.  西南师范大学学报(自然科学版). 2018(07)
[5]一种改进的人工蜂群算法——粒子蜂群算法[J]. 王继超,李擎,崔家瑞,左文香,赵越飞.  工程科学学报. 2018(07)
[6]改进人工蜂群算法的无线传感器网络覆盖优化[J]. 李华,卢静.  现代电子技术. 2018(03)
[7]一种增强局部搜索能力的改进人工蜂群算法[J]. 刘晓芳,柳培忠,骆炎民,范宇凌.  智能系统学报. 2017(05)
[8]一种人工蜂群算法改进方案[J]. 梁静,葛宇,冉晓娟,李琦.  计算机应用研究. 2015(11)
[9]一种带规范知识引导的改进人工蜂群算法[J]. 林小军,叶东毅.  模式识别与人工智能. 2013(03)



本文编号：2979103