|
摘 要：针对人工蜂群（ABC）算法存在收敛速度慢、收敛精度低的问题，给出一种改进的人工蜂群算法用于数值函数优化问题。在ABC的邻域搜索公式中利用目标函数自适应调整步长，并根据迭代次数非线性减小侦查蜂的搜索范围。改进ABC算法提高了ABC算法的局部搜索能力，能够有效避免早熟收敛。基于6个标准测试函数的仿真实验表明，改进ABC算法的寻优能力有较大提高，对于多个高维多模态函数该算法可取得理论全局最优解。与对比算法相比，该算法具有更高的收敛精度，并且收敛速度更快。
中国论文网 http://www.xzbu.com/8/view-3797127.htm
关键词：人工蜂群算法； 数值函数优化； 邻域搜索； 自适应； 非线性函数
中图分类号： TP18
文献标志码：A
Artificial bee colony algorithm with modified search strategy
ZHANG Yin-xue*， TIAN Xue-min， CAO Yu-ping
College of Information and Control Engineering， China University of Petroleum （East China）， Qingdao Shandong 266580， China
Abstract：
A modified Artificial Bee Colony （ABC） algorithm was proposed for numerical function optimization in this paper， in order to solve the problems of slow convergence and low computational precision of conventional ABC algorithm. The modified ABC algorithm can adjust the step size of the selected neighbor food source position adaptively according to the objective function. On the other hand， the searching method based on a nonlinear adjustment of search range depending on the iteration was introduced for scout bees. The modified ABC algorithm can improve the exploitation， and avoids the premature convergence effectively. The experimental results on six benchmark functions show that， the modified ABC algorithm significantly improves the optimization ability. The modified ABC algorithm can achieve the global minimum values for numerous multimodal functions with high dimension. Compared to the other approaches， the proposed method not only obtains higher quality solutions， but also has a faster convergence speed.
英文关键词 Key words：
Artificial Bee Colony （ABC） algorithm； numerical function optimization； neighborhood searching； adaptive； nonlinear function
0 引言
函数优化问题在科学实验、工程设计和生产实践等方面有着广泛应用。近年来，群智能优化算法以其较好的通用性、容错性及对初始值不敏感等优点成为解决函数优化问题的一种新途径。人工蜂群（Artificial Bee Colony， ABC）算法[1]是由Karaboga于2005年提出的一种群智能优化算法。该算法模拟蜜蜂在采蜜过程中的集体行为，蜂群依各自分工的不同进行不同的活动，相互交换蜜源信息并行寻找最优蜜源。该算法不但全局收敛性能较好，并且具有设置参数少、计算简洁、适用范围广等特点，已被越来越多的学者所关注，成为进化计算领域的研究热点之一。
Karaboga等[2]指出与差分进化算法、粒子群优化算法和进化算法相比，ABC算法在解决许多优化问题时表现出较优的性能。目前，ABC算法已成功地用于解决函数优化问题[3-5]，另外，在路径优化[6]、车间作业调度[7]和参数选择[8]等工程领域也取得了良好的应用效果。然而，ABC算法特有的进化方式和选择策略增加了算法陷入局部最优解的可能。因此，为改善ABC算法的全局收敛性能，提高收敛速度，许多学者对算法进行了改进[9-14]。例如，Banharnsakun等[11]提出利用当前全局最优解代替随机选取的邻域个体，并根据当前全局最优解的适应度调整邻域搜索步长，提高收敛精度及收敛速度。Li等[12]提出利用全局最优解、惯性权重和加速系数提高ABC的收敛性能，并提出另一种具有预测和选择能力的高效混合ABC算法。暴励等[13]提出一种双种群差分蜂群算法；高卫峰等[14]提出一种混合人工蜂群算法，通过引入淘汰规则和新的搜索策略提高收敛速度，并对个体采用差分进化策略维护种群多样性。许多ABC算法的改进方法很大程度上提高了算法的收敛性能，对于某些优化问题可以取得更好的寻优结果。但没有一种算法可以针对所有最优化问题得到理想的最优解。因此，对ABC算法进行改进，提高其寻优效果并扩大其适应范围具有较高的研究价值。
为提高ABC算法的收敛性能，本文提出一种改进ABC算法。根据目标函数自适应调节邻域搜索的步长，提高ABC算法的局部搜索能力。另外，基于迭代次数动态调整侦查蜂的搜索范围，提高算法的收敛速度，并进一步提高算法的全局寻优能力。 |
本刊论文