基于局部搜索改進(jìn)的人工蜂群算法及應(yīng)用研究
發(fā)布時間:2021-04-18 07:21
2005年,受蜜蜂群體采蜜行為的影響,Karabogo首次提出人工蜂群算法(Artificial bee colony algorithm,ABC),ABC算法作為一種新型群體智能優(yōu)化算法,由于其控制參數(shù)少,探索能力強,且易于實現(xiàn)等優(yōu)點,被眾多學(xué)者關(guān)注。但該算法也存在局部搜索性能差,易早熟收斂和所得目標(biāo)函數(shù)值精度低等問題,故對基本人工蜂群算法的研究仍有開闊的前景。對于無約束優(yōu)化問題,本文分別使用最速下降法、共軛梯度法和單純形法三種傳統(tǒng)優(yōu)化算法加強基本ABC算法的局部搜索能力,提出了四種改進(jìn)的人工蜂群算法。在基本人工蜂群算法中的偵查蜂階段,對達(dá)到開采極限的食物源,引領(lǐng)蜂轉(zhuǎn)換為偵查蜂,在搜索空間采用隨機搜索,無法確定更新后的食物源更優(yōu),而利用局部搜索性能較好的最速下降法和單純形法更新,確保所有更新后的食物源都得到改善,提出了引入最速下降法改進(jìn)的人工蜂群算法和基于高斯擾動的單純形法改進(jìn)的人工蜂群算法;在基本人工蜂群算法中,跟隨蜂會根據(jù)引領(lǐng)蜂反饋的信息選擇更新食物源,之后對選擇的食物源采用隨機搜索進(jìn)行更新,不能保證搜索后的食物源位置比之前的更好,而共軛梯度法卻能保證每次迭代都向著較好的的方向移...
【文章來源】:北京建筑大學(xué)北京市
【文章頁數(shù)】:70 頁
【學(xué)位級別】:碩士
【部分圖文】:
優(yōu)化問題平均目
之后速度放緩,仍得到精度大約是1e -12的目標(biāo)函數(shù)值;由圖3-4 的(c)可以看出,對優(yōu)化問題3f ,GABC 算法目標(biāo)函數(shù)值下降速度很慢,F(xiàn)ABC 算法前 2500 次迭代收斂速度緩慢,之后下降速度加快,可以得到精度較高的目標(biāo)函數(shù)值;由圖 3-4 的(d)可以看出,對優(yōu)化問題4f ,GABC 算法最好值精度達(dá)到1e -14,F(xiàn)ABC 算法前期目標(biāo)函數(shù)值下降速度緩慢
35(e)目標(biāo)函數(shù)5f (f)目標(biāo)函數(shù)6f圖 3-6 優(yōu)化問題平均目標(biāo)函數(shù)值的進(jìn)化曲線Figure 3-6 Evolutionary curves of mean objective function values for optimization problems
【參考文獻(xiàn)】:
期刊論文
[1]基于雞群優(yōu)化和人工蜂群優(yōu)化的混合算法[J]. 史旭棟,高岳林. 合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2018(05)
[2]Parameters identification of chaotic systems based on artificial bee colony algorithm combined with cuckoo search strategy[J]. DING ZhengHao,LU ZhongRong,LIU JiKe. Science China(Technological Sciences). 2018(03)
[3]一種基于進(jìn)化知識融合的多目標(biāo)人工蜂群算法[J]. 沈艷霞,陳杰,吳定會. 控制與決策. 2017(12)
[4]基于混合搜索的多種群人工蜂群算法[J]. 陳皓,張潔,楊清萍,董婭婭,肖利雪,冀敏杰. 計算機應(yīng)用. 2017(10)
[5]基于混合人工蜂群和人工魚群優(yōu)化的LSSVM脈動風(fēng)速預(yù)測[J]. 張永康,李春祥,鄭曉芬,徐化喜. 振動與沖擊. 2017(15)
[6]一種增強局部搜索能力的改進(jìn)人工蜂群算法[J]. 劉曉芳,柳培忠,駱炎民,范宇凌. 智能系統(tǒng)學(xué)報. 2017(05)
[7]自適應(yīng)貪婪搜索的人工蜂群算法[J]. 杜振鑫,韓德志,曾亮. 燕山大學(xué)學(xué)報. 2017(02)
[8]基于多策略融合的改進(jìn)人工蜂群算法[J]. 魏鋒濤,岳明娟,鄭建明. 計算機工程與應(yīng)用. 2018(05)
[9]基于競爭機制的自適應(yīng)人工蜂群算法[J]. 黃文明,梁金華,魏鵬. 計算機工程與設(shè)計. 2016(12)
[10]求解指路標(biāo)志指引路徑規(guī)劃問題的改進(jìn)人工蜂群算法[J]. 鄭健,黃敏,張騰,劉芳. 計算機應(yīng)用研究. 2017(08)
碩士論文
[1]改進(jìn)的人工蜂群算法在醫(yī)學(xué)圖像分割上的應(yīng)用[D]. 孫曉亮.沈陽大學(xué) 2018
[2]基于反饋的多目標(biāo)人工蜂群算法研究[D]. 劉婷婷.東北大學(xué) 2013
本文編號:3145070
【文章來源】:北京建筑大學(xué)北京市
【文章頁數(shù)】:70 頁
【學(xué)位級別】:碩士
【部分圖文】:
優(yōu)化問題平均目
之后速度放緩,仍得到精度大約是1e -12的目標(biāo)函數(shù)值;由圖3-4 的(c)可以看出,對優(yōu)化問題3f ,GABC 算法目標(biāo)函數(shù)值下降速度很慢,F(xiàn)ABC 算法前 2500 次迭代收斂速度緩慢,之后下降速度加快,可以得到精度較高的目標(biāo)函數(shù)值;由圖 3-4 的(d)可以看出,對優(yōu)化問題4f ,GABC 算法最好值精度達(dá)到1e -14,F(xiàn)ABC 算法前期目標(biāo)函數(shù)值下降速度緩慢
35(e)目標(biāo)函數(shù)5f (f)目標(biāo)函數(shù)6f圖 3-6 優(yōu)化問題平均目標(biāo)函數(shù)值的進(jìn)化曲線Figure 3-6 Evolutionary curves of mean objective function values for optimization problems
【參考文獻(xiàn)】:
期刊論文
[1]基于雞群優(yōu)化和人工蜂群優(yōu)化的混合算法[J]. 史旭棟,高岳林. 合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2018(05)
[2]Parameters identification of chaotic systems based on artificial bee colony algorithm combined with cuckoo search strategy[J]. DING ZhengHao,LU ZhongRong,LIU JiKe. Science China(Technological Sciences). 2018(03)
[3]一種基于進(jìn)化知識融合的多目標(biāo)人工蜂群算法[J]. 沈艷霞,陳杰,吳定會. 控制與決策. 2017(12)
[4]基于混合搜索的多種群人工蜂群算法[J]. 陳皓,張潔,楊清萍,董婭婭,肖利雪,冀敏杰. 計算機應(yīng)用. 2017(10)
[5]基于混合人工蜂群和人工魚群優(yōu)化的LSSVM脈動風(fēng)速預(yù)測[J]. 張永康,李春祥,鄭曉芬,徐化喜. 振動與沖擊. 2017(15)
[6]一種增強局部搜索能力的改進(jìn)人工蜂群算法[J]. 劉曉芳,柳培忠,駱炎民,范宇凌. 智能系統(tǒng)學(xué)報. 2017(05)
[7]自適應(yīng)貪婪搜索的人工蜂群算法[J]. 杜振鑫,韓德志,曾亮. 燕山大學(xué)學(xué)報. 2017(02)
[8]基于多策略融合的改進(jìn)人工蜂群算法[J]. 魏鋒濤,岳明娟,鄭建明. 計算機工程與應(yīng)用. 2018(05)
[9]基于競爭機制的自適應(yīng)人工蜂群算法[J]. 黃文明,梁金華,魏鵬. 計算機工程與設(shè)計. 2016(12)
[10]求解指路標(biāo)志指引路徑規(guī)劃問題的改進(jìn)人工蜂群算法[J]. 鄭健,黃敏,張騰,劉芳. 計算機應(yīng)用研究. 2017(08)
碩士論文
[1]改進(jìn)的人工蜂群算法在醫(yī)學(xué)圖像分割上的應(yīng)用[D]. 孫曉亮.沈陽大學(xué) 2018
[2]基于反饋的多目標(biāo)人工蜂群算法研究[D]. 劉婷婷.東北大學(xué) 2013
本文編號:3145070
本文鏈接:http://sikaile.net/kejilunwen/sousuoyinqinglunwen/3145070.html
最近更新
教材專著