一种快速自适应蜂群算法及其应用

人工蜂群算法(Artificial Bee Colony,ABC)具有操作简单、控制参数少及鲁棒性强等特点,已成为群体智能领域的研究热点之一,但其仍然存在收敛速度慢、易陷入局部最优的问题。针对这些问题,提出了一种改进的人工蜂群算法(Quick Self-Adaptive Artificial Bee Colony,QAABC)。首先,对人工蜂群算法的选择策略和搜索策略进行改进,以提高算法的收敛速度和优化精度;其次,对超边界的个体进行一次有效变异,增强种群的多样性。最后,将本文算法与其他两种算法(标准ABC、ABCP)对5个测试函数在低维和高维进行了对比实验,并将之运用于压力容器设计中成本最小化问题的研究,所得结果均验证了改进算法的有效性。     

基于改进人工蜂群算法的大数据优化

针对传统方法无法解决具有5 V独特属性的大数据优化问题,提出基于改进人工蜂群(Artificial Bee Colony,ABC)算法的大数据优化信号重构算法.该算法通过引导所考虑问题的现有信息来初始化食物源,在引领蜂阶段使用交叉和变异算子生成候选解,并使用轮盘赌反向选择机制生成要交叉的食物源,观察蜂采用Rechenb...     

基于交叉的全局人工蜂群算法的研究

人工蜂群(Artificial Bee Colony,ABC)算法在求解函数最优值时,存在后期收敛速度慢、易于陷入局部最优、疏于开发等问题.为了解决这些问题,对算法进行了深入研究,结合其他仿生智能优化算法的机制,提出了一种能有效提高收敛速度,增强算法开发性和全局寻优能力,并能有效避免种群个体陷入局部最优的算法——基于交叉的全局人工蜂群算法.选取7个标准测试函数进行实验仿真,结果表明,与ABC算法、全局最优人工蜂群算法(GABC)相比,基于交叉的全局人工蜂群算法(CGABC)的收敛速度及精度均有明显提高.     

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.     

基于自适应搜索的人工蜂群算法

针对基本的人工蜂群算法(basic Artificial Bee Colony algorithm,ABC)收敛速度慢和容易陷于局部最优等不足,采用混沌算子和逆向学习算子相混合的初始化种群的方法,有效地改进了初始种群的多样性;在雇佣蜂和观察峰的位置更新上,提出了自适应搜索算子.改进后的算法(Improved ABC,IABC)测试了5个标准单峰或多峰函数,结果表明,IABC算法在搜索效率、最优解质量、稳定性均优于ABC算法.     

基于人工蜂群算法的存储负载副本放置均衡算法

针对固态盘闪存阵列中没有盘间损耗均衡策略,导致阵列中某些固态盘被更快损耗的问题,研究了存储盘间负载均衡的主要实现技术,分析了不同技术中具有代表性实现算法的优缺点,提出利用副本放置方法达到闪存阵列中盘间损耗均衡的策略,以及磁盘能量、数据负载能量和副本能量概念,分析得出磁盘能量与所要分配的副本之间属于NP(Non-deterministic Polynomial)-hard关系,利用马尔科夫链对人工蜂群算法(Artificial Bee Colony algorithm,ABC)进行改进并用以实现磁盘间的负载均衡.通过在Matlab上进行模拟仿真实验,比较了加权轮寻算法和改进ABC算法对副本在物理磁盘上的自动分配结果,并比较了改进ABC算法在不同运行次数和不同物理磁盘数量对结果运算精度也就是副本配置情况的影响.改进ABC算法可以较迅速地完成磁盘间副本分配并达到较好的分配效果.     

基于改进人工蜂群算法的共形阵列波束形成

针对共形阵列中主瓣约束下的波束形成问题,文章提出了一种基于改进人工蜂群算法(Improved Artificial Bee Colony algorithm,IABC)的低副瓣方向图综合算法。算法首先将共形阵列的波束形成问题归纳为一个与目标方向图距离最小化的优化问题。通过引入多维邻域搜索策略,改善人工蜂群算法的局部搜索效率,同时通过增加罚函数来抑制副瓣电平,对权值矢量空间进行搜索,寻求最优权值矢量,最终得到与期望逼近的阵列方向图。实验结果表明该算法能够很好地逼近期望方向图,收敛速度快,为实现共形阵列下的波束形成提供了有价值的参考。     

能耗限制的实时周期任务可靠性感知调度

针对动态电压调节(Dynamic Voltage Scaling,DVS)技术在实时系统能耗管理中导致系统可靠性下降的问题,提出了基于人工蜂群算法(Artificial Bee Colony Algorithm,ABC)的静态/动态可靠性感知调度算法。该算法针对处理器频率离散可调的实时系统,利用人工蜂群算法原理在满足系统能耗约束和任务时限约束的同时尽可能地提高系统的可靠性。仿真结果表明,动态可靠性感知调度算法相比静态算法性能更优,接近负载预知的最优可靠性感知调度算法性能。     

基于ABC-BP的短期风速预测研究

针对短期风速预测问题,提出一种基于人工蜂群算法(Artificial Bee Colony Algorithm,ABC)和BP(BackPropagation)神经网络的预测模型。将温度、当地气压、海平面气压、风向、风切变、风速等气象数据作为原始样本数据,首先进行归一化处理,然后利用BP神经网络对归一化后的数据进行训练,并用ABC优化BP的权值阈值矩阵,建立短期风速预测模型。仿真结果表明,与BP神经网络、ABC-SVM等模型进行对比,该模型在短期风速预测方面的准确度更高。     

基于人工蜂群算法的二维最小误差阈值分割

鉴于人工蜂群算法（ Artificial Bee Colony algorithm ,ABC）常用于连续域,具有控制参数少、操作简单和易于实现等优点和二维最小误差阈值分割法复杂度高的问题,提出一种基于人工蜂群算法的二维最小误差阈值分割方法（ Two-dimensional Minimum Error Thresholding based on Artificial Bee Colony algorithm , TMET-ABC）。针对离散域的二维最小误差阈值分割方法,对标准的ABC算法进行修改,构建离散域的人工蜂群算法;依据最小误差公式中变量的三种不同计算方式,提出了3种TMET-ABC 方法：直接计算TMET-ABC、数组计算TMET-ABC和递推计算TMET-ABC。仿真结果表明,提出的3种方法能够在达到现有的二维最小误差阈值分割法的分割效果同时,大大加快运行速度,并且3种方法可应用于不同的分割场合。     

ABC-BP神经网络对AERMOD模型敏感参数的预测及应用

为提高短时风速预测精度,提出人工蜂群算法(ABC,Artificial Bee Colony algorithm)优化BP神经网络的方法对短时风速进行预测.首先验证了ABC算法性能;接着利用ABC算法对BP神经网络的权值和阈值优化并进行风速预测;然后将预测结果与PSO-BP神经网络以及GA-BP神经网络进行比较分析.对比结果表明,本文提出的方法对短时风速序列的预测精度优于其他方法,预测误差率为1.82%;最后分析了短时风速在应急救援系统中的应用可行性并实现了AERMOD模拟气体扩散态势应用.结果表明,本论文提出的方法可以使AERMOD模型为应急救援提供更加准确的决策依据.     

基于混合离散人工蜂群算法的阻塞Flow Shop调度

针对带阻塞的Flow Shop调度问题,以最小化总流水时间为调度目标,提出了一种混合离散人工蜂群(Hybrid Discrete Artificial Bee Colony,HDABC)算法。HDABC算法采用基于NEH和NEH变体初始化,保证种群的质量和多样性。在雇佣蜂阶段采用差分进化策略产生邻域个体;在跟随蜂阶段采用锦标赛选择方法选择个体跟随,并对选择的个体采用优化插入操作产生新的邻域个体。此外,在侦查蜂阶段再一次采用锦标赛选择方法选择个体,并对较好的个体执行破坏重建操作,用产生的新个体代替原来较差的个体。用正交设计方法调节了该算法的参数。通过与其他两个算法的仿真实验结果比较,验证了本文算法的优越性。     

LSMOEA/2s:一种基于变量两阶段分组的多目标进化算法

大规模多目标优化问题(Large-Scale Multi-objective Optimization Problem, LSMOP)固有的性质给多目标进化算法(Multi-Objective Evolutionary Algorithm, MOEA)带来挑战。目前大多数大规模多目标进化算法(Large-Scale Multi-Objective Evolutionary Algorithm, LSMOEA)需要耗费较多的计算资源对大规模决策变量进行分组,使得用于优化问题解的计算资源相对不足,影响了算法效率和解题性能。基于此,本研究提出一种基于变量两阶段分组的多目标进化算法(Large-Scale Multi-Objective Evolutionary Algorithm adopting two-stage variable grouping, LSMOEA/2s)。新算法首先利用基于变量组的相关性检测方法快速识别独立变量,然后利用高频次随机分组方法将非独立变量划分成若干子组,最后利用MOEA/D算法优化所有的独立变量和非独立变量子组。将所提算法与当前4种代表性算法(MOEA/D、...     

基于图像阈值分割的改进蜂群算法

为快速准确地将图像背景与目标进行有效分割, 提出了一种基于图像阈值分割的量子改进蜂群算法(IABCQ: Improved Artificial Bee Colony Algorithm Based on Quantum)。该算法将量子比特概率幅的正弦分量引入到蜂群算法的编码中, 通过调整相位角更新量子比特概率幅, 使蜂群算法中引领蜂向当前最优蜜源的方向移动, 避免算法搜索的盲目性; 借鉴量子运算中非门操作将个体的正弦和余弦分量互换, 使跟随蜂的蜜源进行互补更新;应用蜂群算法更新个数的限制, 避免了局部优解和不动点引起的个体不更新问题。通过不同类型图像和算法之间的比较表明, 该改进蜂群算法应用到图像阈值分割中的收敛时间减少了20%左右, 同时也表现出良好的稳定性和抗噪声能力。
     

基于ε-支配的昂贵超多目标黑箱问题代理优化算法

针对求解昂贵超多目标黑箱优化问题的算法进行研究。基于SOCEMO算法，将ε-支配用于目标值采样策略，提出ε-SOCEMO算法。在42个超多目标测试问题上对ε-SOCEMO算法和SOCEMO算法进行了数值实验，结果显示ε-SOCEMO算法在性能评价指标上具有较好的表现。数值实验表明这种改进的目标值采样策略可以提升SOCEMO算法在昂贵超多目标黑箱优化问题上的计算效果。     

基于记忆策略的动态分解约束多目标进化算法

针对现有面向多目标优化问题的约束处理方法存在求解效率不足,基于分解策略的多目标进化算法受到约束限制导致求解性能低的问题,提出一种基于记忆策略的动态分解约束多目标进化算法.本文首先引入具有记忆功能的归档集,改进基于短暂忽略非容许解的约束处理方法,提高算法的求解鲁棒性.然后结合基于分解的多目标进化算法,设计一种动态分配搜索...     

基于频域内动力XFEM和人工蜂群算法反演结构内部缺陷

结合频域内动力扩展有限元(Extended Finite Element Methods,XFEM)与人工蜂群(Artificial Bee Colony,ABC)算法的优点,建立了反演结构内部缺陷的数值模型.阐述了动力XFEM的基本公式,给出直接滤频法迭代求解结构自振频率的过程.在迭代过程中,ABC智能算法通过整体和局部共同搜索,能够迅速地得到最优解,并可有效地避免陷入局部最优,XFEM通过水平集函数表征不连续区域,迭代过程中数值计算网格不需要进行重剖分.结合XFEM与ABC算法所建立的反演模型有效地减少了迭代的计算成本.采用频域内结构的前若干阶频率作为真实响应,考虑了惯性力影响,比静力响应只考虑劲度的变化更全面.结果表明:所建立的反演结构内部缺陷的数值模型能够准确地识别出结构内部单个缺陷的位置和大小.     

一种用于求解多目标优化问题的改进MBO算法

大红斑蝶优化算法(Monarch Butterfly Optimization,MBO)是近年提出的一种新的随机搜索算法。然而,MBO算法作为一种优化方法仍存在早熟、收敛速度缓慢和全局搜索能力不足的现象,也还没有将MBO算法应用于求解多目标优化问题的相关研究成果。针对这一问题,笔者提出一种新的可用于求解多目标优化问题的改进MBO算法,即MOIMBO算法。选取3个经典的多目标优化问题作为算法优化性能测试,实验结果表明:改进的算法具有较强的全局搜索能力,在一定程度上避免了早熟收敛问题,可用于求解多目标优化问题。     

基于分层环境选择策略的约束多目标优化算法

针对约束多目标优化问题(CMOPs)难以平衡约束条件和目标函数的不足,提出一种基于分层环境选择策略的约束多目标优化算法(CMOEA-HES).CMOEA-HES首先采用模拟二项式交叉(SBX)和差分进化(DE)算子分别产生各自的子代种群;然后通过第一层环境选择策略从两个子代种群中选出收敛性和多样性较好的个体;接着采用第二层环境选择机制在父代种群和第一层环境选择策略选出的个体中进行选择,在多样性和收敛性的基础上选出可行性较好的个体;最后将选出的个体作为下一代进化的种群．为验证CMOEA-HES的性能,将其与5种先进的约束多目标优化算法在两组典型的测试集上进行仿真计算,实验结果表明：CMOEA-HES在求解约束多目标优化问题上更具有竞争力．     

蚁群算法的分析及其改进研究

蚁群优化算法（Ant Colony Optimization ACO）是一种新颖的仿生进化类算法,适用于求解各种复杂组合优化问题。当前该研究方法尚处于研究的初级阶段,本文针对传统的蚁群算法容易出现早熟和停滞现象,提出了一种新的自适应蚂蚁算法,对传统的蚁群算法中的信息素参数进行动态的自适应调整,并选取几个典型TSP问题进行实验,结果表明改进蚁群算法具有更好的搜索全局最优解的能力以及更好的稳定性和收敛性。