| 标题 | 引入交叉变异机制的全局混沌人工蜂群算法 |
| 范文 | 智慧 摘要：本文设计了交叉变异机制下的全局混沌人工蜂群算法，借鉴遗传算法引入交叉变异机制与全局最优值进行交叉操作来提高算法的探索和开发能力。为了验证所设计算法的有效性，选择8个基准函数对进行测试，并与基本人工蜂群算法和全局人工蜂群算法进行对比，实验结果显示所设计算法在收敛速度和精度上优于其他两种方法。 Abstract： This paper designs the global chaotic artificial bee colony algorithm under the cross mutation mechanism. The genetic algorithm is introduced to cross mutation mechanism and global optimal value for cross operation in order to improve the exploration and development ability of the algorithm. In order to verify the validity of the designed algorithm， eight benchmark function pairs are selected and it is compared with the basic artificial bee colony algorithm and the global artificial bee colony algorithm. The experimental results show that the designed algorithm outperforms the other two ways in convergence speed and accuracy. 关键词：人工蜂群算法；混沌策略；Logistic映射；交叉变异机制；全局优化 Key words： artificial bee colony algorithm；chaotic strategy；Logistic mapping；cross mutation mechanism；global optimization 中图分类号：TP18 文献标识码：A 文章编号：1006-4311（2018）28-0249-03 0 引言 人工蜂群算法（Articial Bee Colony algorithm，ABC）最早是由Karaboga[1]于2005年提出的一种模拟蜜蜂群体寻找优良蜜源的仿生智能计算方法。与其他算法相比，ABC算法控制参数少，计算简单易于实现，搜索速度快，鲁棒性较强，且在搜索过程中对目标函数和约束基本没要求，只以适应度函数作为进化依据等优良特点[2]。近年来，许多学者针对ABC算法提出多种改进策略来优化其性能。本文通过借鉴各种改进算法和遗传算法的交叉运算，提出了一种基于交叉变异机制的全局人工蜂群算法。 1 基于交叉变异的全局混沌人工蜂群算法 1.1 人工蜂群算法的基本原理 2 实验结果及分析 2.1 测试函数 为了验证设计的改进的人工蜂群算法的效果，我们选取了8个常用的测试函数来进行测试实验，为了便于比较这些测试函数的最优值都为0。测试函数如表1和实验结果如表2、表3。 2.2 仿真结果 通过选取三个SABC、GABC和CGABC算法的来对基准函数进行测试，在表2、表3中分别为维数是20，50时对所设计算法进行测试和比较。 从实验结果我们可以看出，CGABC算法由于加入了交叉变异机制，使得8个基准函数在收敛结果上表现出更好的优势，其均值，标准差，最大和最小值都优于SABC和GABC算法，这也证明我们所设计的算法在对比其他两种算法上占有优势。 3 结论 本文设计的引入交叉变异机制的全局混沌人工蜂群算法在性能上有明显提高，主要原因是通过引入交叉机制，将采蜜峰邻域搜索的解与全局最优解进行概率交叉，这种方式克服了人工蜂群算法开发能力弱的缺点，增强了算法在最优解附近的开发能力。同时，引入了调节系数增强算法的适应力，使得所设计算法在优化精度和速度上优于人工蜂群算法和全局人工蜂群算法。 参考文献： [1]Karaboga D. An Idea Based on Honey Bee Swarm for Numerical Optimization[R]. Kayseri： Erciyes University，Engineering Faculty，Computer Engineering Department，2005. [2]Xu， Hui， et al. Improvement on PSO with Dimension Update and Mutation. Journal of Software 8.4（2013）. [3]Zhi H， Liu S， Time-varying Acceleration Coefficients Chaos Particle Swarm Optimization Algorithm based on Predatory Search Strategy， Revista de la Facultad de Ingeniería U.C.V.， Vol. 32， N16， pp. 883-894， 2017. [4]王生生，楊娟娟，柴胜.基于混沌鲶鱼效应的人工蜂群算法及应用[J].电子学报，2014，42（9）：1731-1737. [5]王荣杰.人工蜂群优化算法的应用[M].北京：电子工业出版社，2016，12. [6]李彦苍，彭扬.基于信息熵的改进人工蜂群算法[J].控制与决策，2015（6）：1121-1125. [7]江铭炎，袁东风.人工蜂群算法及其应用[M].北京：科学出版社，2014，11. [8]杨胜培，李仲阳，陈中样.基于混沌搜索与种群交叉的粒子群优化算法[J].计算机仿真，2016，33（6）：218-222. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。