论文部分内容阅读
优化是许多科学和工学范畴中的一个重要研究领域。目前,用于解决该类问题的方法有很多种,人工蜂群算法(Artificial Bee Colony,ABC)是其中之一。该算法是一种新型的群智能优化算法,于2005年由土耳其著名专家Karaboga研究发明。由于开采与开发并行、控制参数少、实现简单、易于理解等优点,而被广泛关注。与粒子群优化算法(Particle Swarm Optimization,PSO)、蚁群算法(Ant Colony Optimization,ACO)等其他群智能优化算法相比,人工蜂群算法已被证明性能更优良,是一种具有竞争力的方法。但是,该算法仍然存在局部搜索能力弱、易早熟、解质量有待提高等问题。文中在深入理解人工蜂群算法原理以及对现有改进方案分析的基础上,针对以上不足展开后续内容,对基本的人工蜂群算法进行改进,用于解决单目标优化问题和多目标优化问题,并应用在环境经济调度问题(Environment/Economic Dispatch Problem,EED)中。论文的主要研究工作概括如下:1)提出一种增强局部搜索能力的单目标人工蜂群优化算法。该算法首先在种群初始化阶段采用高维洛伦兹混沌系统,用于得到高质量的初始解;然后,受差分进化算法(Differential Evolution,DE)的启发,对其搜索策略进行改进,采用目前群体中的最优蜜蜂带领接下来群体的寻优,以提升局部搜索能力。同时,为了提高算法的普适性,对算法中的参数进行调整。2)提出一种平衡搜索能力的单目标人工蜂群优化算法。为了获得较高质量的初始种群,减少寻优迭代次数,该算法采用广义反向学习策略(Generalized Opposition-Based Learning strategy,GOBL)进行初始化;然后,对采蜜蜂和观察蜂阶段的更新方程进行改善,在DE的启发下,提出了两个新的更新策略,其中一个用于增强局部搜索能力,另一个用于避免后期搜索过程中的陷入早熟现象。而且,对基本人工蜂群算法的框架进行了调整,这有助于提升算法的收敛性能。3)提出一种基于多搜索策略的多目标人工蜂群优化算法。目前大多数多目标蜂群优化算法只采用单一搜索策略来进行搜索,本章提出一种使用多种搜索策略的新型算法。该算法采用分解方法将MOP转换为一组聚合问题,然后每个个体被相应地分配以优化每个聚合问题,再采用两种不同的更新策略进行搜索,有助于加快收敛速度和保持群体多样性。之后,非支配解保存在外部存档中,进一步执行进化搜索策略,以交换它们之间的有用信息。通过测试函数证明了该算法的有效性,并将该算法用于解决EED问题,性能优良。