人工蜂群算法的改进及相关应用的研究

发布时间：2017-05-29 15:06

  本文关键词：人工蜂群算法的改进及相关应用的研究，由笔耕文化传播整理发布。

【摘要】：人工蜂群算法(Artificial Bee Colony algorithm, ABC)是受蜜蜂觅食行为启发而产生的一种新型群体智能优化算法。与遗传算法、粒子群算法及微分进化算法等智能算法相比,ABC算法具有更优的性能。加之,ABC算法控制参数少、易于实现,近年来逐渐被成功应用于经济、社会、科学等众多领域。然而,受进化方式和选择策略的影响,ABC算法也存在收敛速度偏慢、搜索方程探索能力强而开发能力弱等缺点。本文针对ABC算法存在的问题,进行了深入研究。首先,受已有搜索方程和一些进化算法的搜索策略的启发,提出了几个新的搜索方程。其次,将一般的反向学习的方法作为改进措施引入到算法中来,并在不同的改进算法中采用不同的使用方式。考虑到原始ABC算法中蜜蜂搜索蜜源只对一维向量进行更新而致使算法收敛速度较慢的问题,提出了动态调整搜索频率的改进策略。另外,采用一种新的基于目标函数值比较的贪婪选择方式更新较优解。综合上述措施,提出了几种改进的人工蜂群算法。通过对若干标准测试函数的实验证明所提的新算法可以不同程度地提高人工蜂群算法的性能。最后,将所提出的一种算法用于周期性轨道交通时间调度优化问题,并以广州城铁运行时间表优化为例,验证了所提新算法的有效性。下面分章节叙述本文的主要工作第一章为绪论部分,首先阐述了本文研究工作的背景和意义,其次介绍了元启发式算法及其分类,并简要介绍了几种具有代表性的元启发式算法,最后介绍了本文的主要内容和结构。第二章着重介绍人工蜂群算法,首先简要介绍了算法的起源与发展、算法的生物学原理；再者,对算法的基本模型、流程作以描述；最后,对算法的国内外研究现状进行了总结。第三章对于改进人工蜂群算法、提高算法的性能进行了研究。针对人工蜂群算法收敛速度较慢、搜索方程的开发能力较弱等缺点,提出了一系列的改进措施(包括重新设计搜索方程、调整蜜蜂搜索频率和改变较优解的选择机制等方面),进而提出了两种改进的人工蜂群算法。利用一组标准测试函数,将新算法与原始ABC算法、GABC及其他进化算法进行了实验对比,结果表明所提出的新算法能有效提升原始ABC算法的性能。第四章针对原始ABC算法搜索方程的不足,调整了蜜蜂在采蜜蜂阶段和跟随蜂阶段的搜索策略,主要包括采蜜蜂阶段引入一般的反向学习(GOBL)的方法作为搜索机制和跟随蜂阶段局部最优个体参与引导蜜蜂的搜索行为,提出了基于局部最优解的改进人工蜂群算法。通过实验数据对比,所提算法表现出较优的寻优性能。第五章受已有进化算法搜索策略的启发,首先提出了两个改进的搜索方程,进而设计了两个新的人工蜂群算法(分别简记为CPABC不OPABC)。本章还介绍了周期性轨道交通时间调度问题(PRTS),并改进了问题模型。最后将OPABC算法分别应用于数值优化问题不PRTS问题,数值优化问题的实验结果表明OPABC算法寻优表现良好,针对广州城铁系统运行时间表的优化结果表明OPABC算法具有较强的竞争力。第六章对本文的主要工作进行了总结,并对今后的研究工作作了展望。
【关键词】：人工蜂群算法 一般的反向学习 搜索方程 基于目标函数值的比较方法 函数优化 周期性轨道交通时间调度
【学位授予单位】：北京理工大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP18
【目录】：

• 摘要4-6
• ABSTRACT6-12
• 第一章 绪论12-22
• 1.1 引言12-14
• 1.2 元启发式算法及其分类14
• 1.3 几种典型的元启发式算法14-20
• 1.4 本文内容与结构20-22
• 第二章 人工蜂群算法22-40
• 2.1 算法基础22-24
• 2.1.1 算法的起源与发展22
• 2.1.2 算法的生物学原理22-24
• 2.2 算法描述24-27
• 2.2.1 算法基本模型24-26
• 2.2.2 算法流程26-27
• 2.3 算法的研究现状27-38
• 2.4 本章小结38-40
• 第三章 基于pbest的改进人工蜂群算法40-66
• 3.1 预备40-44
• 3.1.1 反向学习相关内容40-42
• 3.1.2 改进DE算法的两种变异策略42-44
• 3.2 改进算法(PABC1,PABC2)44-49
• 3.2.1 两种基于pbest的搜索策略44-45
• 3.2.2 采蜜蜂阶段后的反向搜索45
• 3.2.3 基于目标函数值的贪婪选择策略45-46
• 3.2.4 蜜蜂搜索频率的调整46
• 3.2.5 PABC1和PABC2算法的实现步骤46-48
• 3.2.6 PABC1算法的复杂性分析48-49
• 3.3 实验与分析49-63
• 3.3.1 实验测试函数49
• 3.3.2 实验参数设置49
• 3.3.3 参数JR和两个参数p对算法PABC1和PABC2的影响49-55
• 3.3.4 实验结果分析55-60
• 3.3.5 PABC2算法的各改进策略对其性能的影响60-63
• 3.4 本章小结63-66
• 第四章 局部最优解引导的改进人工蜂群算法66-84
• 4.1 改进算法(PABC)66-69
• 4.1.1 反向初始化种群66
• 4.1.2 采蜜蜂阶段的搜索策略66-67
• 4.1.3 随蜂阶段基于pbest的搜索策略67-68
• 4.1.4 蜜蜂搜索频率的调整68
• 4.1.5 PABC算法的实现步骤68-69
• 4.2 实验与分析69-82
• 4.2.1 实验测试函数69
• 4.2.2 实验参数设置69-71
• 4.2.3 动态选取部分个体参数p对PABC算法的影响71-75
• 4.2.4 实验结果分析75-78
• 4.2.5 三种主要改进措施对算法PABC的影响78-82
• 4.3 本章小结82-84
• 第五章 基于改进人工蜂群算法的周期性轨道交通时间调度问题84-110
• 5.1 CPABC算法84-90
• 5.1.1 CPABC算法的各改进措施84-86
• 5.1.2 CPABC算法的实现步骤86-89
• 5.1.3 实验与分析89-90
• 5.2 OPABC算法90-103
• 5.2.1 OPABC算法的改进策略90-91
• 5.2.2 OPABC算法的实现步骤91-92
• 5.2.3 实验与分析92-103
• 5.3 基于OPABC算法的周期性轨道交通时间调度103-109
• 5.3.1 周期性轨道交通时间调度模型(PRTS)103-105
• 5.3.2 利用OPABC算法解决PRTS问题105
• 5.3.3 数值实验105-109
• 5.4 本章小结109-110
• 第六章 结论110-112
• 参考文献112-124
• 攻读博士学位期间发表和提交的论文124-126
• 致谢126

【参考文献】

中国期刊全文数据库 前4条

1 杨琳;孔峰;贺师超;;基于自适应选择策略的人工蜂群算法[J];广西工学院学报;2012年03期

2 苏彩红;向娜;陈广义;王飞;;基于人工蜂群算法与BP神经网络的水质评价模型[J];环境工程学报;2012年02期

3 何宗耀;王翔;;蜂群—蚁群自适应优化算法[J];计算机应用研究;2012年01期

4 孙晓雅;林焰;;改进的人工蜂群算法求解任务指派问题[J];微电子学与计算机;2012年01期

  本文关键词：人工蜂群算法的改进及相关应用的研究，，由笔耕文化传播整理发布。

本文编号：405115