二稿混沌蜂群算法

《二稿混沌蜂群算法》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、混沌蜂群算法摘要:人工蜂群算法是一种新的模拟蜜蜂采蜜行为的元启发式算法.本文提出一种新的ABC算法，利用混沌映射，提高算法的收敛速度，并防止ABC陷入局部最优.ABC算法需要使用的随机数，通过随机数发生器产生.该算法提出了七个新混沌映射，在基准函数中分析了不同混沌映射的性能,提高了解的质量.实验表明，所提出的方法能够有效提高解的质量，既能防止陷入局部最优，又能提高全局搜索能力.关键字:人工蜂群算法;全局数值优化;混沌;ChaoticbeecolonyalgorithmsAbstract:Artificial

2、beescolonyalgorithmisakindofnewsimulationbehaviorofmetaheuristicalgorithm.NewABCalgorithmisproposedinthispaper,usingthechaosmapping,improvestherateofconvergenceofthealgorithm,andpreventtheABCintoalocaloptimum.ABCalgorithmneedstousearandomnumber,generatedby

3、randomnumbergenerator.Thealgorithmputsforwardsevennewchaosmappingofchaoticmappinginbenchmarkfunctionanalysisofdifferentperformance,improvesthequalityofknowledge.Experimentalresultsshowthattheproposedmethodcanimprovethequalityofthesolution,whichcanpreventfa

4、llsintolocaloptimum,andcanimprovetheglobalsearchability.Keywords:Beecolonyalgorithm;Chaos;Globalnumericaloptimization引言优化问题可以用传统算法建立模型来处理，需要几个假设，但这些假设在许多情况下不容易验证.这些参数的假设（舍入的变量、约束软化等）肯定会影响解的质量.如果在优化模型中需要建立整型或离散的决定变量，那么显然是不行的，也就是说，传统优化算法不灵活，不能更好的解决优化问题.此外，首先

5、传统的求解策略通常取决于目标函数和约束函数的类型（线性，非线性等）以及建模问题中使用变量的类型（整形，实型等）.他们的效率也依赖于解空间的大小、用于建模的变量、约束的数量和解空间的结构（凸，凹等）.也就是说，他们不提供通用的解决方案。然而，大部分的优化问题，需要在它的规划策略中制定变量、目标函数和约束函数的类型.其次，原始优化算法在解决大规模和高维非线性的问题上，效率很低，迫使研究者寻找更灵活、适应性更强、问题和模型独立的通用启发式算法，这种通用的启发式算法高效、灵活，它们可以视问题的特定要求，来进行调整修

6、改.图1所示的启发式算法的分类.启发式算法物理基础社会基础音乐基础生物学基础混合基础单点静态目标函数静态邻域不保存记忆多点动态目标函数动态邻域保存记忆图1启发式算法近年来，基于生物学的群体智能启发式算法已成为许多学者的研究兴趣之一.粒子群优化算法、蚁群优化算法和蜂群算法可以视为群体智能的几个分支领域.最近提出的人工蜂群智能算法（ABC）受到了蜜蜂智能行为的启发，同时被证明是全局数值优化问题的更好的解决办法.在许多文献中，混沌映射都具有确定性、遍历性和随机性.近年来，用混沌序列代替伪随机序列并应用于相关程序中

7、，在许多算法中已经表现出一些有效的﹑好的结果，它们也可以与一些启发式优化算法一起使用来表示优化变量.由于混沌序列的不可预测性，理论上讲，混沌序列的选择是合理的.在本文中，用混沌系统生成的不同序列代替ABC参数的随机数，这是一个随机选择的过程.为此，我们已提出用不同的混沌映射代替伪随机序列的方法.通过这种方式，它可以加强全局优化，防止陷入局部最优.但是，一般情况下，如果他们不遵循均匀分布，很难去估计哪些通过应用统计测试的混数发生器更好.仿真结果表明，应用确定性混沌信号代替随机序列是提高ABC性能的一种策略.本

8、文的其余结构，如下所示：第1节中回顾了ABC的相关内容；第2章介绍了所提出的方法、混沌蜂群算法，简称CBCAs；第3节介绍了用于提出的方法进行比较的测试函数；第4节，测试所提出的方法；第5节通过基准问题和模拟结果进行对比，得出结论.1.人工蜂群算法在标准ABC算法中人工蜂群包括引领蜂,守望蜂和侦查蜂三个组成部分。每个引领蜂有一个确定的食物源（每个食物源的位置代表优化问题的一个可行解），引领蜂的个数与食物源的个数相