一種基于改進人工蜂群算法的工程約束參數優(yōu)化方法
【專利摘要】本發(fā)明公開一種基于改進人工蜂群算法的工程約束參數優(yōu)化方法。該方法用目標函數和等式(或不等式)約束描述工程約束參數優(yōu)化問題；根據參數取值范圍，初始化人工蜂群；以概率M選取參數向量中部分參數作為調整對象，自適應調節(jié)搜索步長，令引領蜂在鄰域內隨機搜索蜜源；跟隨蜂根據各蜜源對應的代價函數值fi，由fi獲取適應度函數值fiti，進而得到轉移至各蜜源概率Pi，并判斷是否進行位置更新；在每次迭代搜索過程中，記錄當前的最優(yōu)解，經過有限次迭代搜索，得到參數的最優(yōu)估計值。本發(fā)明使搜索步長隨搜索次數自適應變化，在不影響搜索準確度的前提下，有效地減少搜索時間，提高搜索效率。
【專利說明】一種基于改進人工蜂群算法的工程約束參數優(yōu)化方法
【技術領域】
[0001] 本發(fā)明屬于智能算法應用【技術領域】，尤其涉及一種基于改進人工蜂群算法的工程約束參數優(yōu)化方法。
【背景技術】
[0002]工程參數優(yōu)化問題廣泛地存在于人們的生產生活中，一般來說，工程參數優(yōu)化問題都是在許多線性或非線性約束的前提下。但是，由于目前我們對工程約束參數優(yōu)化問題的求解方法認識還不夠深入，還不能像非約束問題那樣，把所涉及的模型優(yōu)化全部轉化為線性或非線性方程的求解。因此，需要一種不依賴于系統模型的具體表達方式的約束參數優(yōu)化方法。
[0003]為了解決這一問題，之前很多學者將智能算法(例如:神經網絡、遺傳算法、粒子群算法等)應用到工程約束參數優(yōu)化問題中。但是，如果搜索空間不可微或參數間為非線性，則往往得不到全局最優(yōu)解，即陷入局部最優(yōu)。因此，全局搜索和局部搜索的平衡機制對優(yōu)化算法的成功是很重要的。此外，像神經網絡這種結構復雜、搜索效率低等問題，總之，傳統的工程約束參數優(yōu)化方法存在諸多不令人滿意的問題，難以滿足工程約束參數優(yōu)化的需求。但是，隨著智能算法的迅速發(fā)展及其在工程應用的日漸廣泛，工程約束參數優(yōu)化問題在計算效率和計算精度上還仍有較大的提升空間。

【發(fā)明內容】

[0004]本發(fā)明的目的在于提供一種解決一般工程約束參數優(yōu)化方法存在結構復雜難以確定、局部最優(yōu)、搜索效率低等缺點的基于改進人工蜂群算法的工程約束參數優(yōu)化方法。
[0005]本發(fā)明的目的是這樣實現的:
[0006]基于改進人工蜂群算法的工程約束參數優(yōu)化方法，包括以下步驟:
[0007]步驟一:確定參數向量及其取值范圍，用目標函數和等式或不等式進行描述；
[0008]步驟二:根據步驟一中確定的參數向量的個數和取值范圍，初始化人工蜂群，確定最大限制迭代次數Limit、最大循環(huán)次數MaxCycles及搜索目標參數個數D,令引領蜂在初始位置鄰域內隨機地搜索蜜源；
[0009]所涉及的引領蜂初始位置表達式為:
[0010]
【權利要求】
1.一種基于改進人工蜂群算法的工程約束參數優(yōu)化方法，其特征在于，該方法包括以下步驟: 步驟一:確定參數向量及其取值范圍，用目標函數和等式或不等式進行描述； 步驟二:根據步驟一中確定的參數向量的個數和取值范圍，初始化人工蜂群，確定最大限制迭代次數Limit、最大循環(huán)次數MaxCycles及搜索目標參數個數D,令引領蜂在初始位置鄰域內隨機地搜索蜜源； 所涉及的引領蜂初始位置表達式為:
2.根據權利要求1所述的基于改進人工蜂群算法的工程約束參數優(yōu)化方法，其特征在于，當迭代次數大于最大限制迭代次數Limit時，要放棄所在蜜源，同時由偵察蜂代替引領蜂產生一個新的位置。 根據權利要求1所述的基于改進人工蜂群算法的工程約束參數優(yōu)化方法，其特征在于，當參數超出其最大取值范圍時，將該參數設定為該邊界的最大值或最小值。
【文檔編號】G06N3/00GK103927580SQ201410172296
【公開日】2014年7月16日 申請日期:2014年4月25日 優(yōu)先權日:2014年4月25日
【發(fā)明者】高偉, 趙博, 姜鑫, 周廣濤, 郝勤順, 孫艷濤, 夏秀瑋, 劉學敏, 于春陽, 林萌萌 申請人:哈爾濱工程大學