积分商城

最新搜索： 神经网络 高压发生器电路图 AT91SAM7X256 UCD3028 拼音输入 QCC5125
您现在的位置是：首页 > 技术资料 > GWO与ABC的混合优化算法及其聚类优化
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

GWO与ABC的混合优化算法及其聚类优化

更新时间：2019-12-24 15:49:27 大小：1M 上传用户：守着阳光1985查看TA发布的资源 标签：混合优化算法 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

灰狼优化算法(Grey Wolf Optimizer,GWO)和人工蜂群算法(Artificial Bee Colony,ABC)是两种流行且高效的群智能优化算法. GWO具有局部搜索能力强等优势,但存在全局搜索能力弱等缺陷;而ABC具有全局搜索能力强等优点,但存在收敛速度慢等不足.为实现二者优势互补,提出了一种GWO与ABC的混合算法(Hybrid GWO with ABC,HGWOA).首先,使用静态贪心算法替代ABC雇佣蜂阶段中的动态贪心算法来强化探索能力,同时为弥补其收敛速度降低的不足,提出一种新型的搜索蜜源方式;然后,去掉影响收敛速度的侦查蜂阶段,在雇佣蜂阶段再添加反向学习策略,以避免搜索陷入局部最优;最后,为了平衡以上雇佣蜂阶段的探索能力,在观察蜂阶段,自适应融合GWO,以便增强开采能力和提高优化效率.大量的函数优化和聚类优化的实验结果表明,与state-of-the-art方法相比,HGWOA具有更好的优化性能及更强的普适性,且能更好地解决聚类优化问题


部分文件列表

文件名 大小
GWO与ABC的混合优化算法及其聚类优化.pdf 1M

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
10  
Vol． 46 No． 10  
Oct． 2018  
第
2018  
期
10  
电
子
ACTA ELECTRONICA SINICA  
学
报
年
月
GWO ABC  
与
的混合优化算法及其聚类优化  
1，2  
1
1
1
，
，
，
张新明 王 霞 康 强 程金凤  
( 1.  
，
453007; 2.  
， 453007)  
河南师范大学计算机与信息工程学院 河南新乡  
河南省高校计算智能与数据挖掘工程技术研究中心 河南新乡  
:
( Grey Wolf Optimizer，GWO)  
( Artificial Bee Colony，ABC)  
和人工蜂群算法 是两种流行且  
摘
要
灰狼优化算法  
． GWO  
，
;
ABC  
高效的群智能优化算法  
具有局部搜索能力强等优势 但存在全局搜索能力弱等缺陷 而  
具有全局搜索能  
，
．
，
GWO ABC  
与
( Hybrid GWO  
的混合算法  
力强等优点 但存在收敛速度慢等不足 为实现二者优势互补 提出了一种  
with ABC，HGWOA) ． ABC  
，
，
雇佣蜂阶段中的动态贪心算法来强化探索能力 同时为弥补  
首先 使用静态贪心算法替代  
，
;
，
，
其收敛速度降低的不足 提出一种新型的搜索蜜源方式 然后 去掉影响收敛速度的侦查蜂阶段 在雇佣蜂阶段再添加  
，
;
，
，
，
反向学习策略 以避免搜索陷入局部最优 最后 为了平衡以上雇佣蜂阶段的探索能力 在观察蜂阶段 自适应融合  
GWO， state-of-the-art ，  
方法相比  
．
，
以便增强开采能力和提高优化效率 大量的函数优化和聚类优化的实验结果表明 与  
HGWOA  
，
．
具有更好的优化性能及更强的普适性 且能更好地解决聚类优化问题  
:
;
;
;
;
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
智能优化算法 灰狼优化算法 人工蜂群算法 混合优化算法 聚类优化  
TP181  
0372-2112 ( 2018) 10-2430-13  
DOI: 10． 3969 /j． issn． 0372-2112． 2018． 10． 017  
:
:
A
:
文章编号  
文献标识码  
电子学报  
Hybrid Grey Wolf Optimizer with Artificial Bee Colony and Its  
Application to Clustering Optimization  
1，2  
1
1
1
ZHANG Xin-ming ，WANG Xia ，KANG Qiang ，CHENG Jin-feng  
( 1. College of Computer and Information Engineering，Henan Normal University，Xinxiang，Henan 453007，China;  
2. Engineering Technology Research Center for Computing Intelligence ＆ Data Mining of Henan Province，Xinxiang，Henan 453007，China)  
Abstract: Grey Wolf Optimizer ( GWO) and Artificial Bee Colony ( ABC) are two popular and efficient intelligent  
optimization algorithms． GWO has some features such as strong exploitation but weak exploration． ABC has other ones such  
as strong global search ability but slow convergence． In order to realize their complementary advantages，a hybrid GWO with  
ABC ( HGWOA) was proposed． Firstly，a static greedy algorithm was used to replace the dynamic greedy algorithm in the  
employed bee phase to enhance the exploration ability，and a new search method was created to make up for the lost conver-  
gence quality． Secondly，the scout bee phase which affects the convergence speed was removed，and an opposition learning  
strategy was embedded into the employed bee phase to keep the algorithm from falling into the local optima． Finally，in order  
to balance the exploration ability of the employed bee phase，GWO was added to the onlooker bee phase to strengthen the ex-  
ploitation and improve the optimization efficiency． Experimental results on many function and clustering optimization prob-  
lems show that compared with state-of-the-art methods，HGWOA has better optimization performance and stronger universal-  
ity and it can solve clustering optimization problems more efficiently．  
Key words: intelligent optimization algorithm; grey wolf optimizer; artificial bee colony algorithm; hybrid optimiza-  
tion algorithm; clustering optimization  
［1］  
，
．
需求 由此群智能优化算法应运而生  
这是一类基于  
1
引言  
，
种群的启发式随机优化算法 受启发于自然界生物群  
，
随着社会的发展 亟待优化的问题越来越多且越  
．
体的觅食行为等 典型的群智能优化算法主要包括粒  
，
算法［2］  
灰
来越复杂 传统的优化方法远远不能满足现代社会的  
( Particle Swarm Optimization，PSO)  
、
子群优化  
: 2018-01-10;  
: 2018-06-27; :  
责任编辑 孙瑶  
收稿日期  
修回日期  
:
( No． 132102110209) ;  
( No． 19A520026)  
河南省高等学校重点科研项目  
基金项目 河南省重点科技攻关项目  
2431  
10  
: GWO  
ABC  
第
期
张新明  
与
的混合优化算法及其聚类优化  
( Grey Wolf Optimizer，GWO) ［3］  
．
，
狼优化算法  
( Artificial Bee Colony，ABC) ［4］  
和人工蜂群  
和狩猎行为［3］ 在灰狼社会等级制度中 存在着四个社  
、、  
．
等等 因其结构简  
，
．
算法  
、
会等级 从高到低依次为 α β δ 和 ω 狼 狩猎过程主要  
、
，
:
、
;
、
单 易于实现 调节参数少等优点 群智能优化算法已被  
分为三个阶段 跟踪 靠近猎物阶段 追捕 包围和骚扰  
［3 ～ 7］  
［3，5］  
．
、
．
;
广泛应用于解决函数优化 聚类优化等问题  
但依  
猎物阶段 攻击猎物阶段  
据无免费午餐定理［8］ 没有一种群智能优化算法能够  
包围行为的数学模型为  
，
，
D = C·X ( t) － X( t)  
( 1)  
( 2)  
独立解决所有的优化问题 每种算法都有自己的优势  
p
，
，
X( t + 1) = X ( t) － A·D  
和劣势 因此许多学者提出了混合的智能优化算法 通  
p
，
，
．
，t ，A = 2ar － a，C = 2r ，X  
其中 表示当前迭代次数 表  
过算法间的混合 达到优势互补 获得较好的普适性 本  
1
2
p
GWO ABC GWO  
，
，X  
示猎物的位置向量  
，a  
表示灰狼的位置向量 是从  
2
文重点研究  
出的群智能优化算法 有许多地方值得研究和完善 并  
GWO ABC  
和
的混合 由于  
是最近提  
，
，
0
，r  
r
［0，1］  
表示在  
到
线性递减的参数  
和
中均匀分布  
1
2
，
．
且国内外目前还没有  
研究它们的混合是有意义的  
GWO Mirjalili  
与
混合算法的研究 故  
的随机向量  
跟踪猎物的数学模型为  
D = C ·X ( t) － X( t)  
．
( 3)  
( 4)  
( 5)  
( 6)  
( 7)  
( 8)  
( 9)  
是
等人提出的新型群智能优化算  
1
α
α
法［3］  
但存在全局搜索能力不足等问题［6］ 因此 一些  
Vikram  
具有收敛速度快 局部搜索能力强等优势  
GWO  
． GWO  
，
，
D = C ·X ( t) － X( t)  
2
β
β
．
，
D = C ·X ( t) － X( t)  
3
δ
δ
，
．
X = X ( t) － A ·D  
的改进算法被提出 其中包含混合算法 如  
等
1
1
α
α
β
δ
人［9］提出了一种  
GWO PSO  
和
，
的混合算法 用于解决单  
X = X ( t) － A ·D  
2
2
β
［5］  
．
GWO  
X = X ( t) － A ·D  
个区域组合问题 张新明等人 提出了  
和差分进  
3
3
δ
，
GWO  
，
提高局部搜索能力  
X( t + 1) = ( X + X + X ) /3  
化的混合算法 该算法采用  
1
2
3
，
、
采用自适应调节参数的差分进化算法提高全局搜索能  
在狩猎过程中 由 α β 和 δ 狼定位猎物的位置并形  
［10］  
． Jayabarathi  
GWO，  
它融合  
， ，  
成一个包围圈 ω 狼在 α β 和 δ 狼的引导下 围捕猎物  
、
．
力
等人 提出了一种混合的  
，
GWO  
1．  
了进化算法中的变异和交叉算子 以此提高了算法的  
的流程见图  
，
．
优化性能 并用于解决经济调度问题  
ABC Karaboga  
［4］  
．
是
等人提出的群智能优化算法  
ABC  
，
具有全局搜索能力强等优势 但存在收敛速度慢  
等不足［11］ 为解决其不足 一些学者提出了  
，Liang  
的混  
等人［11］ 提出了一种融合自适应差  
ABC，  
．
，
ABC  
．
合算法 例如  
分算子的改进  
算法的探索能力 同时在观察蜂阶段提出一种新的选  
． Shidrokh  
其中利用自适应差分算子提高了  
，
择机制来提高算法的开采能力  
ABC PSO  
一种基于  
ABC  
加强  
等人［12］提出了  
PSO  
，
，
和
的混合算法 其中 通过  
、
来
:
的三个阶段 初始化阶段 雇佣蜂阶段以及观  
察蜂阶段 提高了  
的收敛速度  
等人［13］ 提  
，
ABC  
． Kefayat  
( Ant Colony Optimization，ACO)  
出了一种蚁群算法  
与
GWO  
，
首先在搜索空间中随机初始化狼群的位置  
ABC  
，
ABC  
的混合算法 该算法发挥了  
的全局搜索能力  
，
( 3) ～ ( 9)  
，
更新其位置 随后  
然后在每次迭代中 依据式  
计算其适应度值并依据其适应度值更新当前最优的三  
1． GWO  
ACO  
．
和
的局部搜索能力的优势  
GWO ABC  
，
本文针对  
GWO ABC  
和
存在的优势和不足 提出了  
(
、
)
个解 静态更新 α β 和 δ 狼位置 见图  
的主要  
( Hybrid GWO with  
一种  
与
的混合优化算法  
GWO  
:
、
优势 ①由于所有灰狼均依据 α β 和 δ 狼的位置进行更  
ABC，HGWOA) ．  
，
首先 将  
ABC  
，
中
HG-  
融入到改进的  
，
，
新 故狼群会迅速趋向当前最优位置 能较快收敛到最  
HGWOA，  
;
，
构建  
WOA  
以便两种算法优势互补 最后 将  
，
;
优解 体现出很好的局部搜索能力 ②静态更新有助于  
，
用于不同类型的函数优化以及聚类优化上 以获  
．
;
，
．
稳定性 ③每代仅保存三个最优解 故占存储空间少  
得较好的优化性能  
2. 2  
人工蜂群算法  
2
［4］  
灰狼优化算法与人工蜂群算法  
ABC  
．
ABC  
，
中 蜂群被  
源自于蜜蜂的觅食行为  
在
、
，
划分为雇佣蜂 观察蜂和侦查蜂 搜索经过对应的三个  
2. 1  
灰狼优化算法  
．
．
阶段 雇佣蜂和观察蜂的数量各占蜜源数量的一半 一  
GWO  
受启发于自然界中灰狼种群的社会等级制度  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号