积分商城

最新搜索： 神经网络 高压发生器电路图 AT91SAM7X256 UCD3028 数字信号处理MATLAB版 QCC5125
您现在的位置是：首页 > 技术资料 > 基于全局无偏搜索策略的精英人工蜂群算法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于全局无偏搜索策略的精英人工蜂群算法

更新时间：2019-12-24 02:06:50 大小：1M 上传用户：守着阳光1985查看TA发布的资源 标签：人工蜂群算法 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

针对精英人工蜂群算法(ABC-elite)加速收敛和早熟停滞现象的矛盾,提出一种改进算法(EABCelite).该算法通过在雇佣蜂阶段引入全局最优解加速收敛,同时通过普通个体平衡全局最优解过大的引导作用,因此全局最优解与普通个体的信息都能得到利用而算法仍能较好平衡.在观察蜂阶段引入普通个体避免算法早熟收敛.改进算法在加速收敛与防止早熟之间取得很好的平衡,总体上没有偏向任何方向,增强了ABC-elite的全局搜索能力.实验表明,改进算法的性能显著好于ABC-elite以及最近提出的几种较高水平的改进人工蜂群算法.


部分文件列表

文件名 大小
基于全局无偏搜索策略的精英人工蜂群算法.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）
2
Vol． 46 No． 2  
Feb． 2018  
第
期
电
子
学
报
2018  
2
ACTA ELECTRONICA SINICA  
年
月
基于全局无偏搜索策略的精英人工蜂群算法  
1，2  
1
1
1
1
， ， ， ，  
杜振鑫 刘广钟 韩德志 余学山 贾建鑫  
( 1．  
，
上海海事大学信息工程学院 上海  
201306; 2．  
，
韩山师范学院计算机与信息工程学院 广东潮州  
521041)  
:
( ABC elite) ，  
加速收敛和早熟停滞现象的矛盾 提出一种改进算法  
－
( EABC  
－
摘
要
针对精英人工蜂群算法  
elite) ．  
全局最优解与普通个体的信息都能得到利用而算法仍能较好平衡 在观察蜂阶段引入普通个体避免算法早熟收敛 改  
，
，
该算法通过在雇佣蜂阶段引入全局最优解加速收敛 同时通过普通个体平衡全局最优解过大的引导作用 因此  
．
．
， ，  
进算法在加速收敛与防止早熟之间取得很好的平衡 总体上没有偏向任何方向 增强了  
ABC elite  
－
．
的全局搜索能力  
，
实验表明 改进算法的性能显著好于  
ABC elite  
－
．
以及最近提出的几种较高水平的改进人工蜂群算法  
:
;
;
;
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
人工蜂群 平衡策略 搜索公式 函数优化  
:
TP18  
:
A
: 0372-2112 ( 2018) 0308-07  
DOI: 10． 3969 /j． issn． 0372-2112． 2018． 02． 008  
文献标识码  
文章编号  
电子学报  
Artificial Bee Colony Algorithm with Global and  
Unbiased Search Strategy  
1，2  
1
1
1
1
DU Zhen-xin ，LIU Guang-zhong ，HAN De-zhi ，YU Xue-shan ，JIA Jian-xin  
( 1． College of Information Engineering，Shanghai Maritime University，Shanghai 201306，China;  
2． School of Computer Information Engineering，Hanshan Normal University，Chaozhou，Guangdong 521041，China)  
Abstract: To settle the contradictory between convergence speed and precocity in artificial bee colony with elite-  
guided equations ( ABC elite) ，an enhanced ABC elite ( EABC elite) is proposed． In the employed bee phase of EABC  
－
－
－
－
elite，the global best ( gbest) individual is introduced to the search equation to accelerate convergence，while the ordinary in-  
dividual is also introduced to the search equation to balance the gbest’s great lead ability，thus the information of gbest and  
ordinary individuals can all be used and the balance between exploration and exploitation can still be maintained． In the on-  
looker bee phase of EABC elite，the ordinary individual is also introduced into the search equation to avoid the precocity．  
－
EABC elite can keep good balance between accelerating convergence and averting precocity． It has no bias to any search di-  
－
rections and the global search ability of ABC elite is enhanced． The experimental results demonstrate that EABC elite per-  
－
－
forms significantly better than ABC elite and other recently-developed state-of-the-art variants of artificial bee colony algo-  
－
rithm．  
Key words: artificial bee colony; balance strategy; search equation; function optimization  
［4，8］  
， ，  
许多研究表明 由于搜索公式中的邻居选  
索公式  
1
引言  
，
择机制随机性太强 导致  
ABC  
擅长勘探而不擅长开  
［1］  
［5，6］  
( ABC)  
Karaboga  
2005  
于 年提出  
人工蜂群算法  
是
．
［5］ ( global best，  
文献 首先提出一种全局最优解  
采
，
的一种群体智能优化算法 模拟了蜂群采蜜的智能行  
gbest)  
ABC  
，
算法 通过在  
ABC  
的搜索公式中添  
引导的  
， 、 、 ，  
为 结构简单 参数较少 易于实现 受到了众多学者的  
gbest  
ABC  
． ，  
的开采能力 后来 许多研究发  
加
来增强  
， ， ［2］  
关注和研究 目前已推广到很多领域 如文献 将其  
［6，7］  
，
gbest  
，
项 虽然可以加快收敛速  
现
通过简单的添加  
， ［3］ ，  
用于特征选择 文献 将其用于网络攻击 都取得了  
，
度 但是因为所有个体都向  
gbest  
，
学习 容易导致早熟收  
．
不错的效果 与其他进化算法类似  
，ABC  
也面临着收敛  
． ， ［7］  
敛问题 为了解决这个问题 文献 提出一种没有任  
，
速度慢 易早熟等缺点  
． ABC  
的优化性能主要依赖于搜  
: 2017-05-09;  
: 2017-07-03; :  
责任编辑 蓝红杰  
收稿日期  
修回日期  
:
基金项目 国家自然科学基金  
( No． 61373028，No． 61672338)  
309  
2
:
杜振鑫 基于全局无偏搜索策略的精英人工蜂群算法  
第
期
( CABC) ，  
取得了较好的效果  
． 2016  
，
年 文  
．
何偏向的算法  
选择的一个维度  
( 2) : ，  
观察蜂阶段 在所有雇佣蜂完成勘探之后 观  
［8］  
献 提出  
，CABC  
，
虽然较好的解决了早熟收敛问题 却  
，
没有有效利用种群中的有用信息 特别是  
gbest  
( 3)  
i
定义的概率随机选择一个食物源  
的信息  
ABC  
察蜂按照下面式  
，
:
进一步开采  
没有得到充分利用 因此提出一种精英引导的  
( ABC elite) ， GABC CABC ，ABC elite  
在
算
SN  
法
与
和
相比  
－
－
P = fit  
i
fit  
( 3)  
i
∑
i
i = 1  
，
加速收敛与避免早熟之间取得了较好平衡 因此取得  
，fit  
X
．
的适应度值 从式  
i
( 3) ，  
可见 食物  
式中  
是食物源  
i
．
了较好的效果 实验结果显示  
，ABC elite  
及加入深度优  
－
， ．  
源的适应度值越大 被观察蜂选中的概率越高 其中  
，
( Depth First Strategy，DFS)  
DFSABC elite  
－
先
策略的  
好于  
fit  
:
按下式计算  
i
ABC  
( DE) 、  
及多种差分 粒子群  
许多最新提出的改进  
( PSO)  
1 /( 1 + f ) ， f  
i
0
≥
i
，
改进算法 是目前较高水平的进化算法之一  
．
fit =  
i
( 4)  
{
侦察蜂阶段 当雇佣蜂对应的食物源经过  
1 + | f | ，  
i
f ＜ 0  
i
ABC elite  
－
，
之所以取得较大优势的主要原因 在于  
，f i  
这里 是第 个解的目标函数值  
i
．
． ，  
其使用了新颖的搜索公式 但是 在  
ABC elite  
－
的搜索  
( 3)  
:
limit  
， ，  
公式中 由于所有的候选解都偏向精英解 而种群中占  
， ． ，  
次未更新 说明该食物源已被开采耗尽 这种情况下 采  
，
多数的普通个体的信息没有得到充分利用 因此搜索  
( 1) X ．  
用式  
2． 2  
随机初始化一个新食物源代替  
改进的人工蜂群算法  
ABC ，  
具有较高的优化性能 从而吸引了许多  
， ．  
区域较小 降低了算法的全局搜索能力 在雇佣蜂阶段  
i
gbest  
，
的信息引导算法进化 而在观察蜂阶段  
未能利用  
． ，  
开采能力过强 为了解决上述问题 本文提出一种改进  
由于  
研究人员的关注 目前已经提出了大量改进算法 这些  
: ( 1) ABC  
，
，
EABC elite， ，  
在较大区域内产生候选解 增加了  
－
的算法  
．
，
普通个体的搜索机会 在雇佣蜂阶段利用  
gbest  
工作大体可以分为三类  
与辅助策略的融合  
引导算  
ABC  
．
的性能 如文献  
此类改进通过引入新的策略增强  
， ．  
法进化 以加速收敛 在观察蜂阶段通过使用普通个体  
，
［6］  
、
提出按照适应度选择邻居 参数记忆的方法增强  
． EABC elite  
进一步平衡算法的勘探与开采能力  
大特点是在总体上没有偏向任何方向 利用了更多的  
ABC elite  
的最  
－
ABC  
， ［7］  
的开采能力 文献 将正交实验设计方法引入  
，
ABC， ［10］  
文献 提出一种带记忆的  
ABC， ［11］  
文献 引入  
，
信息防止早熟收敛 同时增强了  
的勘探与开  
－
ABC  
． ( 2)  
跳出局部最优解的能力等  
混沌鲶鱼效应增强  
，
采 能 力 并 保 持 了  
ABC elite  
－
．
的 简 单 性 通 过 对  
［9］  
ABC  
ABC  
．
与其他进化算法的融合 如文献  
［12］ PSO  
将
与
CEC2015  
数函数上明显优于  
与最新提出的几种较高水平的改进  
，
复杂多峰函数上的实验表明 改进算法在多  
，
［13］  
ABC  
，
融合 文献 将思维进化算法与  
融合 文  
搜索公式的改  
， ABC  
ABC elite DFSABC elite．  
，
及
另外  
－
－
［19］ ［28］ DE  
献 与 将  
ABC  
． ( 3)  
与
融合等  
ABC  
PSO、  
算法及  
． ABC  
进
最显著的特性在于其搜索公式 这是  
区别  
DE  
，
改进算法相比 本文改进算法也具有明显的优势  
．
［6］  
．
，
但是 已有许多研究表  
于其他进化算法的主要特征  
2
相关工作  
［5，6，8］  
，ABC  
．
，
明
擅长勘探而不擅长开采  
所谓勘探能力  
，
是指算法搜索未知区域的能力 而开采能力是指在已  
2． 1  
基本人工蜂群算法  
［1］  
．
经搜索过的区域附近详细搜索的能力 如果勘探能力  
ABC  
， 3  
中 人工蜂群包含了 种不同类型的蜜  
在
， ，  
较强 可以帮助算法跳出局部最优解 也会导致算法具  
: 、  
蜂 雇佣蜂 观察蜂以及侦察蜂  
． ABC  
采用一个随机生  
; ，  
有较慢的收敛速度 如果开采能力较强 可以加快算法  
．
成的群体开始迭代搜索 设食物源的规模为  
SN， ，  
其中  
， ，  
收敛速度 但也容易导致算法早熟收敛 陷入局部最优  
X = ( X ，X ，…，X )  
i2  
，
代表一个候选解 首先按  
食物源  
照下式生成  
i
i1  
iD  
． ，  
解 是否能够有效平衡这两个相互矛盾的方面 是一个  
SN  
:
个初始解  
［8］  
L
U
L
．
算法取得较高性能的关键因素之一  
X
= X + rand ( X － X )  
j
( 1)  
i，j  
j
j
j
2010  
，
［5］  
PSO  
，
年 文献 受到  
搜索公式的启发 通过  
， ( GABC) :  
项 提出一种新的搜索公式  
( 1) ，i =1，2，…，SN，j = 1，2，…，D． D  
．
式
中
是变量的维数  
分别是第 维的下界与上界 算法开始迭代之  
j
L
U
X
引入  
X
X
j
．
与
best  
j
V
= X  
+
( X － X ) +  
k，j  
( X  
ψ
i，j  
－ X ) ( 5)  
i，j  
，ABC  
:
根据蜜蜂的类型将搜索过程分为三个阶段  
后
i，j  
i，j  
i，j  
i，j  
best，j  
， ［0，1． 5］ ，X  
式中 ψ 是 之间的随机数  
i，j  
是全局最优解  
best  
( 1)  
:
雇佣蜂阶段 每只雇佣蜂在对应的食物源  
X
处
i
gbest．  
， ［7］ ，GABC  
但是 正如文献 所指出的 公式右边第  
( 2) V = ( V ，V ，…，V ) ， V  
根据式  
X :  
的适应值比 的适应值更优 则用 替换  
生成一个候选解  
若
i
i1  
i2  
iD  
i
，
二项与第三项可能位于相反的方向 可能导致算法振  
X
，
V
i
i
i
．
荡现象 为此  
，2011  
［14］ gbest  
年文献 提出一种新的 引  
V
= X  
+
( X － X )  
i，j  
( 2)  
i，j  
i，j  
i，j  
k，j  
( IABC) :  
导的搜索公式  
， ［－ 1，1］ ，k { 1，2，…，SN}  
其中 是 之间的随机数 ∈ 是  
i，j  
V
= X  
+
·( X － X  
i，j  
)
r1，j  
( 6)  
， k i，j { 1，2，…，D}  
随机选择的一个食物源 且 ≠ ∈  
是随机  
i，j  
best，j  
i，j  

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