《人工蜂群算法应用.doc》由会员分享，可在线阅读，更多相关《人工蜂群算法应用.doc（3页珍藏版）》请在金锄头文库上搜索。
1、人工蜂群算法的应用 【摘要】 人工蜂群算法（ABC）是建立在蜜蜂自组织型和群体智能基础上的一 种非数值优化计算方法。自 1995 年提出蜂群算法后，该算法引起了学者们的 极大关注，并已在组合优化、网络路由、函数优化、机器人路径规划等领域获 得了广泛应用。本文首先介绍了蜂群算法的研究背景、基本原理、要素构成、 算法流程和优缺点，然后，介绍蜂群算法在实际中的应用，并且最后用 Matlab 实现人工蜂群算法对 Griewank 函数的优化，最后，本文对蜂群算法领域存在的 问题进行了总结，并提出了未来蜂群算法的研究方向。 【关键词】 人工蜂群算法；函数优化；Matlab；研究方向 一、 研究背景 群体
2、智能（SwarmIntelligence）是指具有简单智能的个体 通过相互协作和 组织表现出群体智能行为的特性，具有天然 的分布式和自组织特征，在没有集 中控制且不提供全局模型的前提下表现出了明显的优势。虽然目前针对群体智 能的研究还处于初级阶段，且存在许多困难，但群体智能的研究代表了计算机 研究发展的一个重要方向。 2005 年 Karaboga 成功地将蜜蜂采蜜原理应用于函 数的数值优化，并提出比较系统的人工蜂群算法 （ArtificialBeeColonyAlgorithm，简称 ABC 算法）。目前，关于 ABC 算法研究 与应用还处于初级阶段，但由于其控制参数少、易于 实现、计算简洁
3、、鲁棒性 强等特点，已成为群体智能领域的研究热点之一，被越来越多的学者所关注。 二、 基本原理 自然界中的蜂群总是能自如发现优良蜜源（或花粉）。Von Frisch 研究揭 示蜜蜂以跳舞的方式来传达蜜源的信息。采集到花粉的蜜蜂，返回后在蜂巢上 翩然起舞；蜜蜂沿直线爬行，然后再转向左这一种舞蹈，其动线呈8字形， 并摇摆其腹部，舞蹈的中轴线与地心引力的夹角正好表示蜜源的方向和太阳的 夹角。这种舞被称为摇摆舞，蜂群实现采蜜的集体智能行为包含 3 个基本 -1- 部分：蜜源、采蜜蜂 EF、待工蜂 UF。此外引入 3 种基本的行为模式：搜索蜜 源、为蜜源招募和放弃蜜源。 蜂群采蜜工作图见图 1.1。 图
4、 1.1 蜜蜂采蜜工作图 模仿蜂群的算法原理 (1)食物源初始化 初始化时，随机生成 SN 个可行解（等于雇佣蜂的数量）并计算适应度函 数值。随机产生可行解的公式如下： 式中，xi(i=1, 2, . . . , SN)为 D 维向量，D 为优化参数的个数，j 1, 2, , D。 (2)新蜜源的更新搜索 蜜蜂记录自己到目前为止的最优值，并在当前蜜源邻域内展开搜索，基本 ABC 在蜜源附近搜索新蜜源的公式为: -2- 式中，j 1, 2, , D ，k 1, 2, , SN ，k 为随机生成且 ki，为 - 1, 1 之间的随机数。 (3)跟随蜂选择引领蜂 跟随蜂选择引领蜂的概率公式： 式中，
5、fit(xi)为第 i 个解的适应值对应蜜源的丰富程度。蜜源越丰富，被跟随蜂 选择的概率越大。 (4)产生侦查蜂 当某蜜源迭代 limit 次没有改进时，便放弃该蜜源, 并且将该蜜源记录在禁 忌表中,同时该蜜源对应的雇用蜂转变为侦察蜂按式(1)随机产生一个新的位置 代替原蜜源。 基本 ABC 算法的流程为： 1: 根据式(1)初始化种群解xi，i =1,SN 2: 计算种群中各个蜜蜂的适应值 3: cycle = 1 4: repeat 5: 雇佣蜂根据(2)产生新的解 vi 并计算适应值 6: 雇佣蜂根据贪心策略选择蜜源 7: 根据(3)式计算选择蜜源 xi 的概率 Pi 8: 跟随蜂根据概率 Pi 选择蜜源 xi，根据(2)式在该蜜源附近产生新的蜜 源 vi ，并计算新蜜源 vi 的适应值 9: 跟随蜂根据贪心策略选择蜜源 10: 决定是否存在需要放弃的蜜源，如果存在，根据(1)式随机产生一个 蜜源替代它 11: 记录最优解 12: cycle = cycle + 1 13: until cycle = MCN -3-
