人工蜂群算法的改進方法與收斂性理論的研究.pdf

1、人工蜂群(Artificial Bee Colony，ABC)算法經(jīng)過近十年的研究和發(fā)展，已經(jīng)成為科學和工程實踐中求解復雜優(yōu)化問題的重要技術(shù)之一。人工蜂群算法的理論研究不斷深入，應用范圍不斷拓展，使其成為自然計算領(lǐng)域日益活躍的重要研究課題之一。本文從方法論的角度對人工蜂群算法的理論研究進展和應用領(lǐng)域做了綜合評述，在算法改進、融合及算法應用等方面做了一定的創(chuàng)新性研究，提出了一些有意義的改進人工蜂群算法，拓寬了人工蜂群算法的應用范圍，同時，

2、對算法中蜂群序列的Markov鏈模型及算法的收斂性做了初步的理論探討。主要研究工作包括:
　　1、以全面提高ABC算法的優(yōu)化能力為目標，從提高種群多樣性入手，在全面分析ABC算法性能的基礎(chǔ)上，結(jié)合其他進化算法和群智能算法的優(yōu)勢，提出兩種改進ABC算法:
　　(1)在群智能優(yōu)化算法中，種群多樣性的迅速降低將使算法存在陷入局部最優(yōu)，即“早熟”的風險，很難突破其束縛，到達全局最優(yōu)。根據(jù)蜜源適應度值的不同，采用種群劃分策略，形成有一

3、定差異化的子群，同時，在不同的子群之間引入交叉突變算子，提出了基于交叉突變的人工蜂群算法(IMABC)，提高了種群多樣性，在一定程度上克服了標準ABC優(yōu)化算法在優(yōu)化多峰問題時易受到局部最優(yōu)束縛的不足。
　　(2)受群體動力學啟發(fā)，在群智能優(yōu)化算法中，個體的認知能力（包括自我認知能力和對周圍環(huán)境的認知能力）對算法優(yōu)化能力的提高有著重要的影響。因此在人工蜂群算法中，對蜂群中的每個個體引入“自我認知”和“社會認知”兩種認知能力，即“雙重

4、認知能力”的概念，提出了具有雙重認知能力的人工蜂群算法(DCA-ABC)。在實現(xiàn)該算法時，每個個體不僅需要記住各自蜜源的位置及其所對應的適應度值（反映了個體對其自身的認知）;同時也需要保留整個種群在搜索過程中的當前全局最優(yōu)解（反映了個體的學習交流和社會認知能力）。與此同時，為了緩解算法“早熟”而帶來的搜索停滯問題，引入互斥因子rp避免蜜蜂個體在同一位置黏著現(xiàn)象，增加了在搜索空間尋找新的候選解的機會，進一步提高了種群的多樣性。此外，在DC

5、A-ABC算法中，引入了動態(tài)變化的權(quán)重因子，并將其作為迭代次數(shù)的函數(shù)，對搜索過程進行動態(tài)調(diào)整。數(shù)值實驗表明，改進后的DCA-ABC算法其整體優(yōu)化能力有了較明顯的改善。
　　2、算法的融合研究一直以來是改進算法性能的重要方法之一。差分進化(Differential Evolution，DE)算法由于其良好的全局優(yōu)化能力使其在多個領(lǐng)域得到廣泛應用，其性能主要依賴于其不同的變異策略以逼近全局最優(yōu)解。針對差分進化算法中常用的六種變異策略，

6、全面地提出了一組基于DE算子的改進人工蜂群算法DE-ABC。通過一組標準測試函數(shù)，對上述基于DE算子的改進ABC算法進行了全面的數(shù)值實驗和收斂性比較。
　　3、K-means算法作為聚類過程中常用的算法之一，由于原理簡單、易于實現(xiàn)而被廣泛使用。K-means算法在對聚類中心搜索定位的過程中，采用的是一種局部搜索技術(shù)，這種技術(shù)往往對初始聚類中心的選擇有較強的依賴性，使算法存在過早收斂，易陷入局部最優(yōu)的風險。利用ABC算法及本文提出的

7、已經(jīng)過數(shù)值實驗驗證的改進ABC算法對K-means算法中尋找聚類中心的過程進行優(yōu)化，提高聚類質(zhì)量。在實驗設(shè)計時，選取了UCI機器學習數(shù)據(jù)庫中多組標準測試數(shù)據(jù)，并與常用的其他優(yōu)化方法進行了比較，驗證和分析。
　　4、當前對于ABC算法的研究以算法改進和突出應用為主，對于算法收斂性的分析相對薄弱，仍處于初步探索階段。本文在對已有文獻中關(guān)于ABC算法收斂性證明的基礎(chǔ)上，全面地總結(jié)和論證了人工蜂群算法的種群序列為有限Markov鏈模型，并