两种改进的人工蜂群算法

发布时间：2022-08-12 16:51

　　优化技术在工程设计、运筹学、生产运营、科学和信息等相关领域中扮演着至关重要的角色,是解决复杂问题的有效方法.然而,现实世界中的许多问题不连续或存在许多局部极小,因此使用传统方法难以求解.而作为重要的随机搜索方法,进化计算已成功运用于解决许多非凸、不连续、多峰优化问题,并且受到了广泛的关注.人工蜂群算法是一类重要的群智能优化算法,具有控制参数少、易于实现、自组织等优点.但由于父代个体选择的随机性,导致人工蜂群算法不能很好的平衡全局搜索和局部开发能力,进而导致算法易于陷入局部最优,出现早熟收敛现象.为改善人工蜂群算法性能,本文提出两种改进算法.1.为克服人工蜂群算法搜索策略的局部开发能力较弱且计算资源分布不均匀等缺点,提出一种具有学习及十字交叉搜索的人工蜂群算法.首先,对雇佣蜂和瞭望蜂,分别设计了新搜索策略,提高了在精英解和全局最好解的邻域内的搜索能力;其次,对依概率选取的瞭望蜂,采用局部学习策略,加快了收敛速度并增强全局寻优能力;最后,为平衡全局搜索和局部开发,利用十字交叉搜索增强瞭望蜂和全局最好解的局部搜索能力,维持了种群多样性,从而避免了早熟收敛现象.2.为有效利用最优个体特性和控制... 

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 优化问题
    1.2 几种典型的群智能优化算法
    1.3 本文的主要工作
    1.4 本文的主要结构
第2章 人工蜂群算法简介
    2.1 人工蜂群算法概述
    2.2 人工蜂群算法的改进
        2.2.1 改进维度
        2.2.2 改进每种类型蜂的搜索策略
        2.2.3 结合辅助技术
        2.2.4 混合ABC算法
    2.3 本章小结
第3章 具有学习及十字交叉搜索的人工蜂群算法
    3.1 两种新颖的搜索策略
    3.2 瞭望蜂局部学习策略
    3.3 十字交叉搜索
    3.4 仿真实验及分析
    3.5 应用实例
    3.6 本章小结
第4章 基于云模型的邻域搜索人工蜂群算法
    4.1 云模型简介
    4.2 两种新颖的邻域搜索策略
    4.3 基于云模型的变异操作
    4.4 数值试验与结果分析
    4.5 应用实例
    4.6 小结
第5章 总结与展望
参考文献
致谢
攻读硕士学位期间的研究成果



本文编号：3676246