智慧

摘要：本文設(shè)計(jì)了交叉變異機(jī)制下的全局混沌人工蜂群算法，借鑒遺傳算法引入交叉變異機(jī)制與全局最優(yōu)值進(jìn)行交叉操作來(lái)提高算法的探索和開(kāi)發(fā)能力。為了驗(yàn)證所設(shè)計(jì)算法的有效性，選擇8個(gè)基準(zhǔn)函數(shù)對(duì)進(jìn)行測(cè)試，并與基本人工蜂群算法和全局人工蜂群算法進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果顯示所設(shè)計(jì)算法在收斂速度和精度上優(yōu)于其他兩種方法。

Abstract： This paper designs the global chaotic artificial bee colony algorithm under the cross mutation mechanism. The genetic algorithm is introduced to cross mutation mechanism and global optimal value for cross operation in order to improve the exploration and development ability of the algorithm. In order to verify the validity of the designed algorithm， eight benchmark function pairs are selected and it is compared with the basic artificial bee colony algorithm and the global artificial bee colony algorithm. The experimental results show that the designed algorithm outperforms the other two ways in convergence speed and accuracy.

關(guān)鍵詞：人工蜂群算法；混沌策略；Logistic映射；交叉變異機(jī)制；全局優(yōu)化

Key words： artificial bee colony algorithm；chaotic strategy；Logistic mapping；cross mutation mechanism；global optimization

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2018）28-0249-03

0 引言

人工蜂群算法（Articial Bee Colony algorithm，ABC）最早是由Karaboga[1]于2005年提出的一種模擬蜜蜂群體尋找優(yōu)良蜜源的仿生智能計(jì)算方法。與其他算法相比，ABC算法控制參數(shù)少，計(jì)算簡(jiǎn)單易于實(shí)現(xiàn)，搜索速度快，魯棒性較強(qiáng)，且在搜索過(guò)程中對(duì)目標(biāo)函數(shù)和約束基本沒(méi)要求，只以適應(yīng)度函數(shù)作為進(jìn)化依據(jù)等優(yōu)良特點(diǎn)[2]。近年來(lái)，許多學(xué)者針對(duì)ABC算法提出多種改進(jìn)策略來(lái)優(yōu)化其性能。本文通過(guò)借鑒各種改進(jìn)算法和遺傳算法的交叉運(yùn)算，提出了一種基于交叉變異機(jī)制的全局人工蜂群算法。

1 基于交叉變異的全局混沌人工蜂群算法

1.1 人工蜂群算法的基本原理

2 實(shí)驗(yàn)結(jié)果及分析

2.1 測(cè)試函數(shù)

為了驗(yàn)證設(shè)計(jì)的改進(jìn)的人工蜂群算法的效果，我們選取了8個(gè)常用的測(cè)試函數(shù)來(lái)進(jìn)行測(cè)試實(shí)驗(yàn)，為了便于比較這些測(cè)試函數(shù)的最優(yōu)值都為0。測(cè)試函數(shù)如表1和實(shí)驗(yàn)結(jié)果如表2、表3。

2.2 仿真結(jié)果

通過(guò)選取三個(gè)SABC、GABC和CGABC算法的來(lái)對(duì)基準(zhǔn)函數(shù)進(jìn)行測(cè)試，在表2、表3中分別為維數(shù)是20，50時(shí)對(duì)所設(shè)計(jì)算法進(jìn)行測(cè)試和比較。

從實(shí)驗(yàn)結(jié)果我們可以看出，CGABC算法由于加入了交叉變異機(jī)制，使得8個(gè)基準(zhǔn)函數(shù)在收斂結(jié)果上表現(xiàn)出更好的優(yōu)勢(shì)，其均值，標(biāo)準(zhǔn)差，最大和最小值都優(yōu)于SABC和GABC算法，這也證明我們所設(shè)計(jì)的算法在對(duì)比其他兩種算法上占有優(yōu)勢(shì)。

3 結(jié)論

本文設(shè)計(jì)的引入交叉變異機(jī)制的全局混沌人工蜂群算法在性能上有明顯提高，主要原因是通過(guò)引入交叉機(jī)制，將采蜜峰鄰域搜索的解與全局最優(yōu)解進(jìn)行概率交叉，這種方式克服了人工蜂群算法開(kāi)發(fā)能力弱的缺點(diǎn)，增強(qiáng)了算法在最優(yōu)解附近的開(kāi)發(fā)能力。同時(shí)，引入了調(diào)節(jié)系數(shù)增強(qiáng)算法的適應(yīng)力，使得所設(shè)計(jì)算法在優(yōu)化精度和速度上優(yōu)于人工蜂群算法和全局人工蜂群算法。

參考文獻(xiàn)：

[1]Karaboga D. An Idea Based on Honey Bee Swarm for Numerical Optimization[R]. Kayseri： Erciyes University，Engineering Faculty，Computer Engineering Department，2005.

[2]Xu， Hui， et al. Improvement on PSO with Dimension Update and Mutation. Journal of Software 8.4（2013）.

[3]Zhi H， Liu S， Time-varying Acceleration Coefficients Chaos Particle Swarm Optimization Algorithm based on Predatory Search Strategy， Revista de la Facultad de Ingeniería U.C.V.， Vol. 32， N16， pp. 883-894， 2017.

[4]王生生，楊娟娟，柴勝.基于混沌鯰魚(yú)效應(yīng)的人工蜂群算法及應(yīng)用[J].電子學(xué)報(bào)，2014，42（9）：1731-1737.

[5]王榮杰.人工蜂群優(yōu)化算法的應(yīng)用[M].北京：電子工業(yè)出版社，2016，12.

[6]李彥蒼，彭?yè)P(yáng).基于信息熵的改進(jìn)人工蜂群算法[J].控制與決策，2015（6）：1121-1125.

[7]江銘炎，袁東風(fēng).人工蜂群算法及其應(yīng)用[M].北京：科學(xué)出版社，2014，11.

[8]楊勝培，李仲陽(yáng)，陳中樣.基于混沌搜索與種群交叉的粒子群優(yōu)化算法[J].計(jì)算機(jī)仿真，2016，33（6）：218-222.