改进的人工蜂群算法求解全局优化问题

目的 提出基于环形拓扑邻域的人工蜂群算法(Artificial Bee Colony Algorithm Based on Ring Topology Neighborhood ,NABC )求解全局优化问题.方法 基于环形拓扑邻域策略,分别提出适用于雇佣蜂和观察蜂阶段的搜索方程.前者利用邻域中最好个体信息,引导种群向精英解靠近,进而加快种群的收敛速度.后者利用种群中随机选择的个体信息,引导种群搜索更多有希望的区域,增加了种群的探索能力.结果与结论 在22个标准测试函数上进行仿真实验并与其他算法进行比较,结果表明N ABC算法具有优异的性能.     

改进的混沌蜂群算法在流水线调度中的应用

针对批量流水线调度问题,提出了一种改进的人工蜂群算法优化最大完成时间。该算法用NEH方法产生初始解,利用混沌的遍历性生成新的邻域解。为了跳出局部最优,使用最优解插入扰动替换一些连续若干步不能改进的解以提高算法的全局搜索能力,仿真实验结果验证了算法的可行性。     

受限最小生成树算法在城镇管网布局优化中的应用研究

随着天然气输配管网规模的大型化,管网系统进一步优化对提高运行的经济效益和利用率显得非常重要.采用受限最小生成树算法对城镇燃气管网布局进行优化,并将该算法与最小生成树算法(prim)进行了比较.仿真表明,该算法实用性强,对城镇天然气系统工程投资的评估预算有重要的参考价值.     

人工蜂群算法及其在组合优化中的应用研究

人工蜂群算法是一种启发式算法,通过模拟自然界蜂群觅食过程来解决现实中的优化问题。算法中将每只蜜蜂看做一个智能体,若干智能体间相互合作,高效地完成对目标的搜索、优化。总结人工蜂群算法用于解决组合优化问题的一般方法,以0-1背包问题为例对算法进行仿真测试,实验结果表明:人工蜂群算法有效且优于存在的蚁群算法。     

改进人工蜂群算法在饲料配比中的应用研究

人工蜂群算法是一种模拟蜜蜂采蜜的群智能优化算法。针对传统的人工蜂群算法收敛速度慢,容易陷于局部最优进行了改进,引入了扰动控制频率来指导引领峰搜寻蜜源,增强算法局部搜索能力。提出了自适应动态变异算子,提高了算法收敛速度。融合了Boltzmann策略选择机制,动态调整了算法的搜索范围,增强了种群的多样性。算法成功地应用到求解动物饲料配比问题。结果显示,在运行效率、最优解质量、稳定性均优于被比较的其它算法。     

改进人工蜂群算法及其在工程设计中的应用

针对求解多目标优化问题(MOP:Multi-Objective Problem)时,人工蜂群算法(ABC:Artificial Bee Colony)存在难以收敛和候选解多样性难以保持的问题,对其各部分求解策略进行了改进。基于ABC算法框架,设计了一种基于自适应求解策略的多目标ABC算法,并在机电执行器设计的实际应用工程设计问题中,将所提出的改进多目标ABC与其他典型的群智能算法进行优化性能比较。通过实验验证可知,所提出的MOABC/DD(Multi-Objective Artificial Bee Colony Based on Dominance and Decomposition)算法在求解机电执行器设计问题基准测试用例时,与典型算法相比,具有较好的问题求解精度。并且MOABC/DD的实验结果较为稳定,从而证明了MOABC/DD具有较高的求解稳定性和健壮性。     

平衡搜索的改进人工蜂群算法

针对人工蜂群(ABC)算法局部搜索能力弱的问题,提出一种平衡搜索的人工蜂群算法(BSABC).首先,采用一种基于对数函数的的适应度评价方式,用于减小选择压力,在一定程度上避免陷入局部最优.其次,受微分进化算法的启发,提出一种新的搜索策略,通过当前最优个体指导进化方向,使候选解的产生倾向于当前最优解,同时避免陷入局部最优.对6个经典测试函数进行仿真实验,并与经典的改进人工蜂群算法对比测试,结果表明:所提出的算法在收敛速度和收敛精度上都有显著的提升.     

融合差分进化思想的自适应人工蜂群算法

针对人工蜂群算法求解复杂优化函数时,存在收敛速度慢、算法后期种群多样性下降以及易陷入局部最优解等缺点,提出了一种融合差分进化思想的自适应人工蜂群算法.首先,引入反向学习策略初始化种群,增加种群的多样性,加强算法跳出局部最优解的能力.其次,将雇佣蜂搜索过程与差分进化算法融合,并加入自适应策略平衡算法的勘探与开发能力.最后...     

改进人工蜂群算法及在风电场群调度中的应用

针对遗传算法的停滞时间长以及粒子群算法容易陷入局部极值问题,引入一种EA和SWARM交叉算法即蜂群遗传算法(BSGA)。在蜂群算法局域搜索部分,应用遍历性较强的混沌搜索算法进行局域优化,以最大限度地避免最优解被排除的问题。将改进后的算法(BSGA-CAO)应用于我国内蒙古中西部地区风电场群的调度优化问题,与BSGA算法、粒子群算法以及遗传算法相比较,运行时间分别缩短69,23和40 s,总发电量实验结果改进率分别为8.49%,5.29%和3.36%。     

一种邻域搜索的人工蜂群算法

提出采用邻域搜索机制来改进人工蜂群算法的解搜索方程,从当前食物源的环形邻域拓扑结构中选择较优的邻居食物源进行开采,平衡算法的勘探与开采能力。此外,为保存侦察蜂的搜索经验,提出采用一般反向学习策略生成被放弃食物源的反向解,提高算法的搜索效率。在20个典型的benchmark函数上验证算法的性能,并与6种知名的改进算法进行对比。实验结果表明:本文算法在收敛速度和解的精度上均有较大优势。     

一种改进的多目标人工蜂群算法

由于基本多目标人工蜂群算法存在着种群盲目搜索、算法开发能力有限等缺点,在利用人工蜂群算法求解多目标优化问题时,提出了一种改进的人工蜂群算法.通过在算法中引入自适应搜索机制和变异机制等操作,使得种群个体可以有针对性地进行更新,同时也大大提高了种群个体的多样性.最后利用几种多目标的测试函数对改进前后的多目标人工蜂群算法的性能进行测试,结果表明:改进后多目标人工蜂群算法具有良好的算法收敛性和均匀性.     

改进人工蜂群算法的四旋翼自抗扰控制参数优化

针对四旋翼自抗扰控制(active disturbance rejection controller, ADRC)参数整定困难,给工程应用带来较大限制的问题,提出一种改进人工蜂群算法的四旋翼ADRC控制器参数优化方法。该算法采用自适应的探索策略,根据选择概率,从5种不同的搜索规则中进行选择,提高种群的多样性和寻优能力。将ADRC控制器中的参数作为蜂群中的种群应用到四旋翼无人机仿真模型中进行迭代寻优,并把风干扰模型作为环境噪声引入系统,测试算法性能。仿真结果表明,改进后的人工蜂群算法得到的控制器参数响应速度更快,稳态误差更小,抗干扰能力更强。     

基于粒子群和人工蜂群算法的混合优化算法

提出一种基于粒子群(PSO)和人工蜂群算法(ABC)相结合的新型混合优化算法—PSOABC。该算法基于一种双种群进化策略,一个种群中的个体由粒子群算法进化而来,另一种群的个体由人工蜂群算法进化而来,并且在人工蜂群算法中按轮盘赌的方式选择个体进化所需的随机个体。此外,算法采用一种信息分享机制,使两个种群中的个体可以实现协同进化。对4个基准函数进行仿真实验并与ABC进行比较,表明本文提出的算法能有效地改善寻优性能,增强摆脱局部极值的能力。     

求解约束优化问题的多成员人工蜂群算法

针对约束优化问题提出了一种多成员人工蜂群算法.新算法设计了一种多成员机制,增强了在可行域内的搜索能力.在进行选择操作时,允许拥有较优目标函数的不可行解战胜可行解,增强了种群的分散性;在处理等式约束时,引入一种约束放松程度从大到小变化的机制,充分利用了等式约束周围不可行解的信息.针对13个标准测试函数的仿真实验表明:当处理含有等式约束且可行域较小的问题g13和最优解位于可行域内部且可行域较大的问题g02时,与改进人工蜂群算法相比,新算法最优解的均值误差分别减小了76%和80%.     

人工蜂群算法在飞机舵机电液伺服系统的应用

针对飞机舵机电液伺服系统运行过程中存在的多余力干扰问题,提出结合改进人工蜂群算法和比例-积分-微分(proportion integration differentiation,简称PID )控制器的复合控制方法。该方法在建立系统数学模型的基础上,利用云模型和变邻域搜索对传统人工蜂群算法的选择策略和选择方式进行改进,增强算法开采能力,获得最优食物源,提高系统的加载精度和响应速度。再由PID控制器根据所得最优食物源进行控制参数在线自适应调整,提高系统的稳定性和抗干扰性。仿真结果表明：该方法能够达到飞机舵机电液伺服系统控制性能指标要求,且相较于采用传统人工蜂群算法,具有更良好的跟踪能力和多余力抑制效果,验证了该方法的可行性和有效性。     

改进的蜂群LS-SVM故障预测

为了提高基于最小二乘支持向量机的故障预测精准度,提出了AFS-ABC算法,用于组合优化LS-SVM的规则化参数C和宽度参数σ.该算法将鱼群算法AFS简化模型中人工鱼的寻优更新方法引入到蜂群算法中,以互补优势、互克不足.通过100维Ackley函数验证了该算法在优化精度和搜索速度上较AFS算法与ABC算法的优越性,并以某航空电子系统电源模块记录电压数据序列的前40个作为LS-SVM模型的训练集,后15个作为测试集,利用MAT-LAB的LS-SVM工具箱进行状态预测仿真.结果表明,AFS-ABC算法较好地改善了LS-SVM的预测精度,同时解决了局部极值和寻优结果精度低的问题.     

基于混合蜂群算法的柔性作业车间调度优化

针对柔性作业车间调度求解问题,提出一种新型混合蜂群智能优化算法.该算法采用独特的编码方式和位置更新策略来避免不合法解的产生,在蜂群算法的基础上增加了有利于局部搜索的混沌算子提高了算法搜索精度,实现了全局搜索与局部搜索能力的有效平衡.最后将此算法在不同规模的实例上进行了仿真测试,并与最近提出的其他几种具有代表性的算法进行了比较,验证了该算法的有效性和优越性.     

基于改进多目标蜂群算法的Web服务组合优化方法

为解决Web服务组合优化方法中的组合多样性和服务质量的问题,在人工蜂群算法上提出改进,通过在算法中引入反向学习算子、精英引导策略和组合变异策略等操作,使得种群个体有针对性地进行更新,在保证服务组合质量的前提下,提高了服务组合的多样性.结果表明,所提算法具有良好的算法收敛性和均匀性,同时在为Web服务组合优化方面,也取得了较好的优化效果,提高了寻优精度、解的质量和收敛速度.     

一种基于反馈策略的自适应选择人工蜂群算法

雇用蜂觅食策略对人工蜂群算法性能有较大影响,而单一的觅食策略难以适用于所有问题的搜索空间,并且算法运行的不同阶段所适合的搜索策略也不尽相同.因此,如何为一个给定的函数优化问题选择最佳的觅食策略尤为重要.针对这一问题,提出了一种基于反馈的觅食策略自适应人工蜂群算法SSABC,该算法能够在优化过程中为一个给定的优化问题自动选择最佳的觅食策略.实验表明,与经典ABC(artificial bee colony algorithm),PSO(particle swarm optimization),DE(differential evolution),GA(genetic algorithm)算法相比,SSABC算法的寻优能力有较大提高.