基于共享因子的人工蜂群算法的研究与应用

发布时间：2017-06-15 05:08

  本文关键词：基于共享因子的人工蜂群算法的研究与应用，由笔耕文化传播整理发布。

【摘要】：作为一种新兴的元启发式优化算法,人工蜂群算法(ABC)已经受到了很多专家学者的关注。该算法是由土耳其学者Karaboga于2005年提出来的,其灵感来自于蜜蜂采蜜的过程。人工蜂群算法具有参数少、易实现、计算简单、收敛速度快等的优点,因而,已被广泛应用到诸多领域。但是,ABC算法在解决函数优化问题时表现出来的性能不佳,在算法实现过程中容易陷入局部最优,收敛速度较差。因此,本文就如何提高ABC算法的搜索性能及其在新安江水文模型上的应用进行了研究,主要内容有:首先,对标准ABC算法的生物原理、数学模型、算法流程做了详细的分析,并根据ABC算法的特点,从相关文献中重点研究了一种改进的ABC算法,即朱国普等人提出的全局最优人工蜂群(GABC)算法。该算法针对标准ABC算法在搜索解时的随机性、盲目性,在ABC算法基础上增加了全局搜索部分,并将该算法与标准ABC算法在同一组测试函数中进行实验测试。测试结果表明,GABC算法比ABC算法的搜索精度更高,同时收敛速度更快。其次,经过研究发现GABC算法并没有使局部搜索能力和全局搜索能力达到一种平衡,搜索精度和算法收敛速度仍然有很大的提升空间,因此,本文针对算法的搜索方程做了改进,提出了一种基于共享因子的全局最优人工蜂群(SF-GABC)算法。改进的方法是在搜索方程的局部搜索部分和全局搜索部分分别添加了两个共享因子,使得蜜蜂在搜索蜜源的过程不是盲目搜索而是有目的地搜索。因此,增强了SF-ABC算法的寻优能力。为证明改进算法的有效性,在参数设置相同的情况下,使ABC算法、GABC算法和SF-GABC算法分别对一组标准测试函数进行仿真实验,并对比分析了实验结果。实验结果表明,SF-GABC算法收敛速度更快,函数优化精度更高。最后,将改进的算法应用到新安江水文模型上,用于解决水文模型的参数估计问题。并与ABC算法、GABC算法参数估计结果进行实验对比分析。实验结果表明,与ABC算法和GABC算法相比,SF-GABC算法获得的水文模型参数优化结果精度更高,并且算法收敛速度更快。
【关键词】：人工蜂群算法 GABC算法 共享因子 新安江水文模型
【学位授予单位】：兰州交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-13
• 1.1 研究背景及意义9
• 1.2 国内外研究现状9-10
• 1.3 本文的主要工作和意义10-12
• 1.3.1 研究目标10-11
• 1.3.2 本文主要研究内容11-12
• 1.3.3 本课题的研究意义12
• 1.4 文章结构12-13
• 2 人工蜂群（ABC）算法13-26
• 2.1 引言13
• 2.2 人工蜂群算法的生物原理13-17
• 2.2.1 蜜蜂的采蜜过程14-15
• 2.2.2 蜜蜂的采蜜轨迹15-16
• 2.2.3 蜂群模型的构成16-17
• 2.3 ABC算法的数学原理17-20
• 2.4 ABC算法的流程20-21
• 2.5 参数分析21-22
• 2.6 ABC算法特点22-24
• 2.6.1 系统性22-23
• 2.6.2 分布性23
• 2.6.3 自组织性23
• 2.6.4 反馈性23
• 2.6.5 ABC算法的优缺点23-24
• 2.7 参数对收敛性能的影响分析24
• 2.8 ABC算法的搜索能力24-25
• 2.9 总结25-26
• 3 ABC算法的改进26-36
• 3.1 ABC算法的多种改进方法26
• 3.2 全局最优人工蜂群算法26-27
• 3.2.1 GABC算法的数学描述26-27
• 3.2.2 GABC算法具体步骤27
• 3.3 基于共享因子的GABC算法27-29
• 3.3.1 SF-GABC算法的数学描述28
• 3.3.2 SF-GABC算法的具体步骤28-29
• 3.4 实验结果与分析29-35
• 3.4.1 测试函数及参数设置29-31
• 3.4.2 改进算法的对比实验31-35
• 3.4.3 结果分析35
• 3.5 总结35-36
• 4 基于共享因子GABC算法的应用36-49
• 4.1 人工蜂群算法应用36-41
• 4.1.1 多维背包问题求解36-37
• 4.1.2 车辆路径问题求解37-38
• 4.1.3 旅行商问题求解38-40
• 4.1.4 函数优化问题求解40-41
• 4.2 改进人工蜂群算法在新安江水文模型中的应用41-48
• 4.2.1 新安江水文模型的建立41-42
• 4.2.2 设置水文模型参数42-43
• 4.2.3 目标函数设计43
• 4.2.4 水文模型参数优化问题的求解方法43-44
• 4.2.5 建立应用模型44-45
• 4.2.6 实验结果与分析45-48
• 4.3 总结48-49
• 结论49-50
• 致谢50-51
• 参考文献51-54
• 攻读学位期间的研究成果54

【参考文献】

中国期刊全文数据库 前10条

1 李冰;孙辉;孙宁;王坤;;基于改进人工蜂群算法的高光谱图像端元提取方法[J];南昌工程学院学报;2015年06期

2 程国;丁正生;;一种求解旅行商问题的改进人工蜂群算法[J];河南科学;2015年06期

3 陈阿慧;李艳娟;郭继峰;;人工蜂群算法综述[J];智能计算机与应用;2014年06期

4 王志刚;夏慧明;;求解车辆路径问题的人工蜂群算法[J];计算机工程与科学;2014年06期

5 葛宇;梁静;王学平;谢小川;;求解函数优化问题的改进的人工蜂群算法[J];计算机科学;2013年08期

6 李晶晶;戴月明;;自适应混合变异的蛙跳算法[J];计算机工程与应用;2013年10期

7 张泽彬;郝志峰;黄翰;李学强;;求解车辆路径问题的多邻域下降搜索蚁群优化算法[J];南京大学学报(自然科学版);2012年01期

8 王辉;;一种带共享因子的人工蜂群算法[J];计算机工程;2011年22期

9 高卫峰;刘三阳;姜飞;张建科;;混合人工蜂群算法[J];系统工程与电子技术;2011年05期

10 李晓蕊;韩丛英;贺国平;;求解MINLP的几类罚函数方法的分析和探讨[J];数学的实践与认识;2011年01期

中国博士学位论文全文数据库 前4条

1 宁爱平;人工蜂群算法及其在语音识别中的应用研究[D];太原理工大学;2013年

2 徐鸣;基于群智能的鲁棒多目标优化方法及应用[D];浙江大学;2011年

3 宋胜利;混合粒子群协同优化算法及其应用研究[D];华中科技大学;2009年

4 李晓磊;一种新型的智能优化方法-人工鱼群算法[D];浙江大学;2003年

中国硕士学位论文全文数据库 前7条

1 曾维;改进的人工蜂群算法及其应用研究[D];深圳大学;2015年

2 蒋成;改进的人工蜂群算法及其应用[D];安徽大学;2015年

3 董琴;人工蜂群算法的改进与应用[D];大连海事大学;2015年

4 王允霞;蜂群算法的研究及其在人工神经网络中的应用[D];华南理工大学;2013年

5 岳云力;基于改进人工蜂群算法的机组组合优化方法[D];浙江大学;2012年

6 银建霞;人工蜂群算法的研究及其应用[D];西安电子科技大学;2012年

7 欧阳涛;物流车辆路径问题算法研究[D];吉林大学;2011年

  本文关键词：基于共享因子的人工蜂群算法的研究与应用，，由笔耕文化传播整理发布。

本文编号：451533