基于改进邻域搜索策略的人工蜂群算法

发布时间：2021-11-10 13:10

　　针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势. 

【文章来源】：控制与决策. 2019,34(05)北大核心EICSCD

【文章页数】：8 页

【参考文献】：
期刊论文
[1]多搜索策略协同进化的人工蜂群算法[J]. 王志刚,尚旭东,夏慧明,丁华.  控制与决策. 2018(02)
[2]求解连续空间优化问题的改进蜂群算法[J]. 王永琦,吴飞,孙建华.  计算机应用研究. 2018(03)
[3]Artificial Bee Colony Algorithm-based Parameter Estimation of Fractional-order Chaotic System with Time Delay[J]. Wenjuan Gu,Yongguang Yu,Wei Hu.  IEEE/CAA Journal of Automatica Sinica. 2017(01)
[4]基于量子策略的布谷鸟搜索算法研究[J]. 王健,丁学明,董新燕.  电子科技. 2015(12)
[5]Artificial bee colony algorithm with comprehensive search mechanism for numerical optimization[J]. Mudong Li,Hui Zhao,Xingwei Weng,Hanqiao Huang.  Journal of Systems Engineering and Electronics. 2015(03)
[6]Hybridizing artificial bee colony with biogeography-based optimization for constrained mechanical design problems[J]. 蔡绍洪,龙文,焦建军.  Journal of Central South University. 2015(06)
[7]Archimedean copula estimation of distribution algorithm based on artificial bee colony algorithm[J]. Haidong Xu,Mingyan Jiang,Kun Xu.  Journal of Systems Engineering and Electronics. 2015(02)
[8]分阶段搜索的改进人工蜂群算法[J]. 李国亮,魏振华,徐蕾.  计算机应用. 2015(04)
[9]基于局部最优解的改进人工蜂群算法[J]. 王冰.  计算机应用研究. 2014(04)
[10]基于分段搜索策略的改进蜂群算法[J]. 罗钧,肖向海,付丽,王强.  控制与决策. 2012(09)



本文编号：3487317