论文部分内容阅读
人工蜂群算法是一种群体智能优化算法,其模拟蜜蜂的采蜜行为。该算法根据蜂群不同的分工来交换蜜源信息,寻找优化问题的最优解。由于其设置参数少、计算简单、易于实现等优点,已成功应用于滤波器设计、网络优化及生产调度等领域。但因蜂群算法采用轮盘赌选择机制对蜜源进行搜索更新,致使蜂群多样性下降,算法早熟停滞,存在易陷入局部最优的问题。针对算法的不足之处,为提高获得理论最优解的概率,论文对原始蜂群算法进行研究改进,提出了一种增强寻优能力的改进人工蜂群算法。该改进算法将跟随蜂的数量扩大一倍后等分成两组,将一组采用轮盘赌选择策略更新蜜源位置,保持蜂群原有的进化方向,沿蜜源浓度高的方向搜索更新;另一组采用反向轮盘赌选择机制,维持蜂群多样性,来降低陷入局部最优的概率。随后,筛选出未更新计数器次数大于阈值的所有蜜源,并将该类蜜源对应的引领蜂全部变成侦察蜂,并让侦察蜂对相应蜜源进行更新。通过自适应动态调整侦察蜂的个数,来提高算法的收敛精度。当蜂群算法每经过一轮迭代结束后,求解出当前所得蜜源的中心位置,由各个蜜源和中心位置所在的邻域内随机产生一新解,将新解与原来解的适应度值大小进行比较,选择优者。通过六个标准测试函数的实验仿真,结果表明该算法具有更高的收敛精度,使得算法跳出局部最优的机会增加,增强了其寻优能力,具有更好的优化性能。最后,对论文的研究工作以及取得的成果进行总结概述,并对下一步的研究方向给予明确的指示。