本發(fā)明屬于智能優(yōu)化領(lǐng)域，涉及一種基于進(jìn)化知識融合的多目標(biāo)人工蜂群算法。

背景技術(shù)：

隨著科學(xué)研究和工程應(yīng)用的深入開展，多目標(biāo)優(yōu)化問題已成為理論研究和實踐應(yīng)用的重難點問題之一。多目標(biāo)優(yōu)化問題通常存在多個相互沖突的目標(biāo)，其求解過程一般通過協(xié)調(diào)處理各目標(biāo)使其盡可能達(dá)到最優(yōu)，從而得到Pareto最優(yōu)解集。目前，進(jìn)化算法已廣泛應(yīng)用于求解多目標(biāo)優(yōu)化問題，并取得了大量研究成果，先后出現(xiàn)了包括NSGA-II、SPEA2、MOPSO和MOEA/D等一批經(jīng)典多目標(biāo)進(jìn)化算法。

人工蜂群算法作為一種新型群體智能算法，其結(jié)構(gòu)簡單，設(shè)置參數(shù)較少，求解性能優(yōu)異，受到人們廣泛關(guān)注，現(xiàn)已成功應(yīng)用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練、電網(wǎng)調(diào)度、路徑規(guī)劃等領(lǐng)域。目前人工蜂群算法的研究領(lǐng)域大多集中于單目標(biāo)優(yōu)化，性能表現(xiàn)優(yōu)異，將人工蜂群算法應(yīng)用于求解多目標(biāo)優(yōu)化問題既能拓寬人工蜂群算法的應(yīng)用領(lǐng)域，也為解決多目標(biāo)優(yōu)化問題提供了新思路。而關(guān)于人工蜂群算法在多目標(biāo)優(yōu)化方面的研究和應(yīng)用相對較少，相比于單目標(biāo)優(yōu)化，多目標(biāo)優(yōu)化所面臨的進(jìn)化知識更為復(fù)雜多樣，且現(xiàn)有多目標(biāo)人工蜂群算法大多結(jié)合人工蜂群算法的種群協(xié)作進(jìn)化策略和經(jīng)典多目標(biāo)進(jìn)化算法的占優(yōu)機(jī)制及外部檔案維護(hù)策略求解多目標(biāo)優(yōu)化問題。現(xiàn)有文獻(xiàn)所提出的多目標(biāo)人工蜂群算法雖然在一定程度上提高了求解多目標(biāo)優(yōu)化問題的能力，但仍存在精英個體的合理選取以及精英群體知識的充分利用方面有待進(jìn)一步完善，在個體評價時還需充分考慮個體間支配關(guān)系和擁擠距離的知識融合，此外對于外部檔案的維護(hù)策略還有待進(jìn)一步改進(jìn)以獲得分布性能良好的最優(yōu)解集。

技術(shù)實現(xiàn)要素：

本發(fā)明提供了一種基于進(jìn)化知識融合的多目標(biāo)人工蜂群算法。首先，采用精英群體知識和種群自身進(jìn)化知識混合引導(dǎo)引領(lǐng)蜂進(jìn)化，保持種群的多樣性和優(yōu)異性，其次，將一種融合個體支配關(guān)系和種群分布關(guān)系的方法引入跟隨蜂的概率選擇作用，合理選擇個體進(jìn)行深度開發(fā)以改善算法收斂性能和分布性能，最后，提出一種更為嚴(yán)格的外部檔案維護(hù)策略降低外部檔案維護(hù)成本，提高解集的分布性能。

為實現(xiàn)上述目的，本文采用的技術(shù)方案為：一種基于進(jìn)化知識融合的多目標(biāo)人工蜂群算法，包括以下步驟：

步驟1：初始化種群數(shù)量N，其中引領(lǐng)蜂和跟隨蜂各占一半，設(shè)置最大迭代次數(shù)T_m，外部檔案最大存儲個數(shù)I_m，偵查蜂的最大淘汰次數(shù)D_m，概率懲罰系數(shù)η₁和η₂，隨機(jī)初始化蜜源并計算各蜜源的適應(yīng)度值。

步驟2：根據(jù)支配關(guān)系選擇互不支配的解進(jìn)入外部檔案，初次迭代時，計算Pareto最優(yōu)解集的擁擠距離，選取除兩端點外擁擠距離最大的解作為精英個體。

其中，f_i^k為第i個個體第k個目標(biāo)值，m為目標(biāo)數(shù)，s為最優(yōu)解集個數(shù)。當(dāng)引領(lǐng)蜂通過選出的精英個體引導(dǎo)更新后，對產(chǎn)生的新個體進(jìn)行貪婪選擇，當(dāng)新個體支配原個體時替換原個體，此時，所產(chǎn)生的新個體具有成為精英個體的潛質(zhì)，如新個體能夠支配原精英個體，則將其選為新的精英個體，如互不支配，則通過輪盤賭法決定是否替換原精英個體，如新個體被支配，則不替換。當(dāng)?shù)螖?shù)達(dá)到總次數(shù)的10％,20％,…,90％時，采用貪婪選擇方式選取精英個體。

步驟3：將種群分為非支配個體和支配個體兩部分分別進(jìn)化，其公式為：

其中，s_i表示第i個個體是否為非支配解，是則為1，否則為0，x_b為精英個體，x_b為精英個體的第j維，x_tj和x_kj分別為第t和第k個支配個體的第j維，且t≠j，x_f為第f個非支配解，r₁,r₂,r₃為[-1,1]之間的隨機(jī)數(shù)。

步驟4：充分考慮個體的支配關(guān)系和分布關(guān)系，綜合評價個體質(zhì)量以獲得具有良好收斂性和分布性的Pareto最優(yōu)解集，改進(jìn)后的概率計算公式為：

其中，s_i表示第i個個體是否為非支配解，d_i為非支配解的擁擠距離，按式(1)計算，η₁和η₂為綜合懲罰系數(shù)，l_i為支配個體到Pareto最優(yōu)前沿的歐氏距離，其計算公式為：

其中，f_ik為第i個支配個體的第k個目標(biāo)值，f_fk為第f個非支配個體的第k個目標(biāo)值，m為目標(biāo)個數(shù)，s為最優(yōu)解集個數(shù)。

步驟5：依據(jù)所計算概率選擇是否對該蜜源進(jìn)行深度進(jìn)化，進(jìn)化完成后，如更新后的蜜源如支配原蜜源則保留，互不支配則對種群中其他支配解進(jìn)行貪婪選擇，如新個體被支配則不保留。

步驟6：當(dāng)引領(lǐng)蜂和跟隨蜂更新完成后，所得新蜜源未成功保留則其淘汰次數(shù)加1，當(dāng)達(dá)到最大淘汰次數(shù)D_m時，引領(lǐng)蜂轉(zhuǎn)化為偵查蜂，重新產(chǎn)生一個蜜源將其替換。

步驟7：采用一種支配關(guān)系和擁擠距離綜合評價個體適應(yīng)度并據(jù)此判斷該解能否進(jìn)入外部檔案，當(dāng)未達(dá)到外部檔案個數(shù)設(shè)定值時，根據(jù)支配關(guān)系選取互不支配的解進(jìn)入外部檔案。當(dāng)達(dá)到外部檔案個數(shù)設(shè)定值時，計算外部檔案中解的擁擠距離，通過循環(huán)刪減法刪除外部檔案中擁擠距離最小的解，并記錄下每次所刪減解的擁擠距離值，取最大值記為t為迭代次數(shù)。當(dāng)某個新解滿足支配關(guān)系時，即與外部檔案中任一解互不支配時，計算該解與外部檔案中所有解的歐式距離，取其最小值記為當(dāng)且僅當(dāng)時，選擇該解進(jìn)入外部檔案。

步驟8：迭代次數(shù)加1，判斷是否達(dá)到最大迭代次數(shù)，達(dá)到則結(jié)束并輸出外部檔案，否則轉(zhuǎn)步驟2。

本發(fā)明的有益效果為：通過支配關(guān)系和擁擠距離交替選取精英個體，一方面，基于擁擠距離的精英個體選取有利于引導(dǎo)種群均勻進(jìn)化，另一方面，通過支配關(guān)系方式選取能夠選擇更有潛力的新個體保持種群多樣性，防止種群陷入局部最優(yōu)。當(dāng)某個體為非支配解時，將其與精英個體全維交叉，更容易產(chǎn)生優(yōu)秀個體，保持精英群體活力，而當(dāng)某個體為支配解時，通過精英個體和普通個體混合引導(dǎo)種群進(jìn)化，相比于單一的精英引導(dǎo)，有利于保持種群多樣性。綜合考慮種群支配關(guān)系及個體的分布情況分別進(jìn)行跟隨蜂的選擇概率進(jìn)行懲罰，既能夠合理考慮非支配解的優(yōu)異性，也能夠根據(jù)群體分布情況有效區(qū)分同一支配關(guān)系下，不同個體的優(yōu)良程度，有利于同時改善種群進(jìn)化的收斂性能和分布性能。改進(jìn)后的外部檔案維護(hù)策略對新解進(jìn)入外部檔案增加了基于擁擠距離的限制條件，相比于傳統(tǒng)策略更為嚴(yán)格，能夠在某個解未進(jìn)入外部檔案前就對該解進(jìn)行一輪刪減，減少了過多解同時進(jìn)入外部檔案再刪減的過程，有效降低了外部檔案維護(hù)成本，也在一定程度上改善了Pareto最優(yōu)解集的分布性能。

附圖說明

圖1是本發(fā)明一種基于進(jìn)化知識融合的多目標(biāo)人工蜂群算法的流程示意圖。

具體實施方式

為更進(jìn)一步闡述本發(fā)明所采取的技術(shù)手段及取得的效果,下面結(jié)合附圖1,對本發(fā)明的技術(shù)方案進(jìn)行清楚和完整地描述。

參照圖1,為本發(fā)明一種基于進(jìn)化知識融合的多目標(biāo)人工蜂群算法的流程示意圖，包括以下步驟：

步驟1：初始化種群數(shù)量N，其中引領(lǐng)蜂和跟隨蜂各占一半，設(shè)置最大迭代次數(shù)T_m，外部檔案最大存儲個數(shù)I_m，偵查蜂的最大淘汰次數(shù)D_m，概率懲罰系數(shù)η₁和η₂，隨機(jī)初始化蜜源并計算各蜜源的適應(yīng)度值。

步驟2：根據(jù)支配關(guān)系選擇互不支配的解進(jìn)入外部檔案，初次迭代時，計算Pareto最優(yōu)解集的擁擠距離，選取除兩端點外擁擠距離最大的解作為精英個體。

所述的擁擠距離計算公式為：

當(dāng)引領(lǐng)蜂通過選出的精英個體引導(dǎo)更新后，對產(chǎn)生的新個體進(jìn)行貪婪選擇，當(dāng)新個體支配原個體時替換原個體，此時，所產(chǎn)生的新個體具有成為精英個體的潛質(zhì)，如新個體能夠支配原精英個體，則將其選為新的精英個體，如互不支配，則通過輪盤賭法決定是否替換原精英個體，如新個體被支配，則不替換。當(dāng)?shù)螖?shù)達(dá)到總次數(shù)的10％,20％,…,90％時，采用貪婪選擇方式選取精英個體。

步驟3：將種群分為非支配個體和支配個體兩部分分別進(jìn)化。

上述進(jìn)化公式為：

步驟4：計算跟隨蜂進(jìn)化概率，充分考慮個體的支配關(guān)系和分布關(guān)系，綜合評價個體質(zhì)量以獲得具有良好收斂性和分布性的Pareto最優(yōu)解集。

上述概率計算公式為：

步驟5：依據(jù)所計算概率選擇是否對該蜜源進(jìn)行深度進(jìn)化，進(jìn)化完成后，如更新后的蜜源如支配原蜜源則保留，互不支配則對種群中其他支配解進(jìn)行貪婪選擇，如新個體被支配則不保留。

步驟6：當(dāng)引領(lǐng)蜂和跟隨蜂更新完成后，所得新蜜源未成功保留則其淘汰次數(shù)加1，當(dāng)達(dá)到最大淘汰次數(shù)D_m時，引領(lǐng)蜂轉(zhuǎn)化為偵查蜂，重新產(chǎn)生一個蜜源將其替換。

步驟7：采用一種支配關(guān)系和擁擠距離綜合評價個體適應(yīng)度并據(jù)此判斷該解能否進(jìn)入外部檔案，當(dāng)未達(dá)到外部檔案個數(shù)設(shè)定值時，根據(jù)支配關(guān)系選取互不支配的解進(jìn)入外部檔案。當(dāng)達(dá)到外部檔案個數(shù)設(shè)定值時，計算外部檔案中解的擁擠距離，通過循環(huán)刪減法刪除外部檔案中擁擠距離最小的解，并記錄下每次所刪減解的擁擠距離值，取最大值記為t為迭代次數(shù)。當(dāng)某個新解滿足支配關(guān)系時，即與外部檔案中任一解互不支配時，計算該解與外部檔案中所有解的歐式距離，取其最小值記為當(dāng)且僅當(dāng)時，選擇該解進(jìn)入外部檔案。

步驟8：迭代次數(shù)加1，判斷是否達(dá)到最大迭代次數(shù)，達(dá)到則結(jié)束并輸出外部檔案，即為最優(yōu)解集，否則轉(zhuǎn)步驟2。

本發(fā)明給出的一種基于進(jìn)化知識融合的多目標(biāo)人工蜂群算法，充分考慮外部精英檔案集知識和種群自身進(jìn)化知識之間的關(guān)系以及個體支配關(guān)系和擁擠距離之間的關(guān)系。在引領(lǐng)蜂階段，充分利用外部精英檔案集來引導(dǎo)種群進(jìn)化，同時，在跟隨蜂的概率選擇階段，引入一種綜合考慮支配關(guān)系和擁擠距離的概率計算公式，合理評價個體適應(yīng)度值促進(jìn)種群高效進(jìn)化，提高算法收斂性能和分布性能，此外，提出一種更為嚴(yán)格的外部檔案維護(hù)機(jī)制降低檔案維護(hù)成本，一定程度上改善了所求解集的分布性能。

以上所述實施例僅表達(dá)了本發(fā)明的幾種實施方式,其描述較為具體和詳細(xì),但并不能因此而理解為對本發(fā)明專利范圍的限制，應(yīng)當(dāng)指出的是,對于本領(lǐng)域的普通技術(shù)人員來說,在不脫離本發(fā)明構(gòu)思的前提下,還可以做出若干變形和改進(jìn),這些都屬于本發(fā)明的保護(hù)范圍，因此,本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。