引入交叉變異機制的全局混沌人工蜂群算法

智慧

摘要：本文設計了交叉變異機制下的全局混沌人工蜂群算法，借鑒遺傳算法引入交叉變異機制與全局最優值進行交叉操作來提高算法的探索和開發能力。為了驗證所設計算法的有效性，選擇8個基準函數對進行測試，并與基本人工蜂群算法和全局人工蜂群算法進行對比，實驗結果顯示所設計算法在收斂速度和精度上優于其他兩種方法。

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.

關鍵詞：人工蜂群算法；混沌策略；Logistic映射；交叉變異機制；全局優化

Key words： artificial bee colony algorithm；chaotic strategy；Logistic mapping；cross mutation mechanism；global optimization

中圖分類號：TP18 文獻標識碼：A 文章編號：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年提出的一種模擬蜜蜂群體尋找優良蜜源的仿生智能計算方法。與其他算法相比，ABC算法控制參數少，計算簡單易于實現，搜索速度快，魯棒性較強，且在搜索過程中對目標函數和約束基本沒要求，只以適應度函數作為進化依據等優良特點[2]。近年來，許多學者針對ABC算法提出多種改進策略來優化其性能。本文通過借鑒各種改進算法和遺傳算法的交叉運算，提出了一種基于交叉變異機制的全局人工蜂群算法。

1 基于交叉變異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 實驗結果及分析

2.1 測試函數

為了驗證設計的改進的人工蜂群算法的效果，我們選取了8個常用的測試函數來進行測試實驗，為了便于比較這些測試函數的最優值都為0。測試函數如表1和實驗結果如表2、表3。

2.2 仿真結果

通過選取三個SABC、GABC和CGABC算法的來對基準函數進行測試，在表2、表3中分別為維數是20，50時對所設計算法進行測試和比較。

從實驗結果我們可以看出，CGABC算法由于加入了交叉變異機制，使得8個基準函數在收斂結果上表現出更好的優勢，其均值，標準差，最大和最小值都優于SABC和GABC算法，這也證明我們所設計的算法在對比其他兩種算法上占有優勢。

3 結論

本文設計的引入交叉變異機制的全局混沌人工蜂群算法在性能上有明顯提高，主要原因是通過引入交叉機制，將采蜜峰鄰域搜索的解與全局最優解進行概率交叉，這種方式克服了人工蜂群算法開發能力弱的缺點，增強了算法在最優解附近的開發能力。同時，引入了調節系數增強算法的適應力，使得所設計算法在優化精度和速度上優于人工蜂群算法和全局人工蜂群算法。

參考文獻：

[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，柴勝.基于混沌鯰魚效應的人工蜂群算法及應用[J].電子學報，2014，42（9）：1731-1737.

[5]王榮杰.人工蜂群優化算法的應用[M].北京：電子工業出版社，2016，12.

[6]李彥蒼，彭揚.基于信息熵的改進人工蜂群算法[J].控制與決策，2015（6）：1121-1125.

[7]江銘炎，袁東風.人工蜂群算法及其應用[M].北京：科學出版社，2014，11.

[8]楊勝培，李仲陽，陳中樣.基于混沌搜索與種群交叉的粒子群優化算法[J].計算機仿真，2016，33（6）：218-222.