一種基于改進(jìn)混沌蜂群算法的工程約束參數(shù)優(yōu)化方法技術(shù)

一種基于改進(jìn)的蜂群算法的工程約束參數(shù)優(yōu)化方法，是一種新型的仿生學(xué)優(yōu)化算法，思想是利用蜜蜂群體搜索蜜源的路線進(jìn)行判斷選擇的方式方法。傳統(tǒng)的工程約束參數(shù)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(shù)優(yōu)化的需求，利用傳統(tǒng)蜂群算法對工程參數(shù)進(jìn)行優(yōu)化具有較強(qiáng)的適應(yīng)性、正反饋性和魯棒性，但也存在易陷入局部最優(yōu)解。混沌蜂群算法是利用混沌算法的全排列性，利用混沌變量具有遍歷性、隨機(jī)性和規(guī)律性的特點，改進(jìn)蜂群算法容易過早收斂、易陷于局部最優(yōu)、對邊緣定位不準(zhǔn)確等問題。本文采用混沌蜂群算法進(jìn)行工程約束參數(shù)的優(yōu)化，該方法能夠快速、清晰、準(zhǔn)確且有效性強(qiáng)。

An engineering constrained parameter optimization method based on improved chaotic bee colony algorithm

A constrained parameter optimization method improved ABC algorithm based engineering, is a new type of bionic optimization algorithm, idea is to choose the way of search method to determine the route by nectar bee colony. There are many unsatisfactory problems in engineering constraints of traditional optimization methods, it is difficult to meet the needs of engineering parameter optimization constraint, the engineering parameters are optimized with strong adaptability, positive feedback and robustness by using traditional bee colony algorithm, but also is easy to fall into the local optimal solution. Chaos artificial bee colony algorithm is the use of the full array of chaos algorithm, has the characteristics of ergodicity, randomness and regularity of chaotic variables, the improved bee colony algorithm premature convergence, easy to fall into local optimum, not accurate on the edge orientation etc.. In this paper, the chaotic bee colony algorithm is used to optimize the parameters of engineering constraints. The method is fast, clear, accurate and effective.

【技術(shù)實現(xiàn)步驟摘要】
一種基于改進(jìn)混沌蜂群算法的工程約束參數(shù)優(yōu)化方法
本專利技術(shù)屬于智能算法應(yīng)用
，尤其涉及一種基于改進(jìn)的蜂群算法的工程約束參數(shù)優(yōu)化方法。
技術(shù)介紹
工程參數(shù)優(yōu)化問題廣泛地存在于日常生產(chǎn)生活中，傳統(tǒng)的工程約束參數(shù)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(shù)優(yōu)化的需求。一般來說，工程參數(shù)優(yōu)化問題都是在許多線性或非線性約束的前提下。但是，由于目前對工程約束參數(shù)優(yōu)化問題的求解方法認(rèn)識還不夠深入，如果搜索空間不可微或參數(shù)間為非線性性，則往往得不到全局最優(yōu)解，即陷入局部優(yōu)化。因此，全局搜索和局部搜索的平衡機(jī)制對優(yōu)化算法的成功時很重要的，需要一種不依賴于系統(tǒng)模型的具體表達(dá)方式的約束參數(shù)優(yōu)化方法。蜂群算法是一種新型的仿生學(xué)優(yōu)化算法，思想是利用蜜蜂群體搜索蜜源的路線進(jìn)行判斷選擇的方式方法。該算法具有較強(qiáng)的適應(yīng)性、正反饋性和魯棒性，但也存在易陷入局部最優(yōu)解。混沌蜂群算法是利用混沌算法的全排列性，利用混沌變量具有遍歷性、隨機(jī)性和規(guī)律性的特點，改進(jìn)蜂群算法容易過早收斂、易陷于局部最優(yōu)、對邊緣定位不準(zhǔn)確等問題。本文采用混沌蜂群算法進(jìn)行工程約束參數(shù)的優(yōu)化，該方法能夠快速、清晰、準(zhǔn)確且有效性強(qiáng)。
技術(shù)實現(xiàn)思路
本專利技術(shù)的目的在于提供一種能夠彌補(bǔ)傳統(tǒng)蜂群算法存在結(jié)構(gòu)復(fù)雜難以確定、局部優(yōu)化、搜索效率低等缺點，提出一種快速、清晰、準(zhǔn)確的算法解決一般工程約束參數(shù)的優(yōu)化方法。本專利技術(shù)的目的是這樣實現(xiàn)的：基于改進(jìn)人工蜂群算法的工程約束參數(shù)優(yōu)化方法，包括以下步驟：步驟一：通過混沌算法確定參數(shù)向量即其取值范圍，用目標(biāo)函數(shù)和等式或不等式進(jìn)行描述；在實驗區(qū)域范圍內(nèi)隨機(jī)投放足夠數(shù)量的蜜蜂，蜜蜂隨機(jī)搜索路徑時會不斷更新信息素矩陣，利用蜂群算法的正反饋性，最終產(chǎn)生的信息素矩陣，從而確定蜂源的位置。初始的信息素矩陣不能為0，蜜蜂轉(zhuǎn)移將不能開始，所以要采用隨機(jī)矩陣作為信息素矩陣初始化。蜜蜂下一步要走的位置，由轉(zhuǎn)移概率決定。步驟二：根據(jù)步驟一中確定的參數(shù)向量的個數(shù)和取值范圍，初始化人工蜂群，確定最大限制迭代次數(shù)Limit、最大循環(huán)次數(shù)c及搜索目標(biāo)參數(shù)個數(shù)N，令引領(lǐng)蜂在初始位置領(lǐng)域內(nèi)隨機(jī)地搜索蜜源；所涉及的引領(lǐng)蜂初始位置表達(dá)式為：式中，Rij為0到1之間的隨機(jī)數(shù)，N為0到1之間的設(shè)定值；i＝1....N，j＝1...N,V為蜜源的個數(shù)，為第j個參數(shù)的最小取值，為第j個參數(shù)的最大取值，rand(0,1)表示0到1范圍內(nèi)的隨機(jī)數(shù)；引領(lǐng)蜂初始位置領(lǐng)域L的位置表達(dá)式為：其中，wij為引領(lǐng)蜂初始位置，lij為引領(lǐng)蜂領(lǐng)域搜索位置，φij為參數(shù)搜索步長，取值范圍為[-F,F],F為0到1之間的隨機(jī)數(shù)；F的表達(dá)式為：步驟三：以概率P選取步驟一中由混沌算法確定的參數(shù)作為調(diào)整對象，引入概率P控制搜索過程中矩陣向量中參數(shù)的個數(shù)，并適當(dāng)?shù)母淖儾介L參數(shù)F，首先由引領(lǐng)蜂在當(dāng)前蜜源鄰域內(nèi)隨機(jī)搜索新的蜜源，獲取個蜜源的代價函數(shù)值qi,由qi計算適應(yīng)度函數(shù)值Qi,在當(dāng)前搜索的位置Qi大于qi時，則轉(zhuǎn)移到其它為去過的蜜源，引領(lǐng)蜂將在新的蜜源附近搜索并記錄Qi較大的蜜源位置信息；所涉及的M表達(dá)式為：M＝e-a·b/c其中，b為蜂群循環(huán)次數(shù)，c為最大循環(huán)次數(shù)，a為控制參數(shù)；所涉及的適應(yīng)度函數(shù)值fiti表達(dá)式為：式中，abs()為取絕對值函數(shù)；步驟四：待所有引領(lǐng)蜂搜索結(jié)束，根據(jù)各引領(lǐng)蜂所在蜜源的適應(yīng)度函數(shù)值Qi，得到跟隨蜂轉(zhuǎn)至各蜂源概率Pi，依據(jù)概率進(jìn)行位置更新，并記錄每次蜂群迭代搜索過程中的適應(yīng)度函數(shù)值最大的蜜源位置wbest；所涉及的轉(zhuǎn)移概率Pi表達(dá)式為：其中，Qmin為本次循環(huán)后適應(yīng)度函數(shù)值最小值，a為調(diào)整因子；步驟五：重復(fù)步驟三、步驟四，經(jīng)過有限循環(huán)搜索，得到參數(shù)的最有估計值。當(dāng)?shù)螖?shù)大于最大限制迭代次數(shù)Limit時，要放棄所在蜜源，同時由偵查蜂代替引領(lǐng)蜂產(chǎn)生一個新的位置。根據(jù)權(quán)利要求書所述的基于改進(jìn)人工蜂群算法的工程約束參數(shù)優(yōu)化方法，其特征在于，當(dāng)參數(shù)超過其取值范圍時，更新邊界條件，將得到的新參數(shù)設(shè)定為邊界的最值。本專利技術(shù)的優(yōu)勢在于：傳統(tǒng)的人工蜂群算法中，蜂群搜索過程中只改變某一個參數(shù)，本專利技術(shù)不斷以一定概率判斷參數(shù)是否更新，將搜索范圍提高至多維度，不再只是像傳統(tǒng)的蜂群算法只在一維空間搜索，也因此使蜂群的搜索能力大幅度提高。專利技術(shù)中當(dāng)搜索步長是一定的，然而實際工程中隨著搜索次數(shù)增加，范圍會不斷的發(fā)生改變，因此步長也會發(fā)生自適應(yīng)變化，本專利技術(shù)考慮到這一因素，在保證搜索準(zhǔn)確度的不下降的情況下，盡可能的減少搜索時間，提高效率。針對不同階段施加不同的壓力度，本專利技術(shù)改變跟隨蜂選擇引領(lǐng)蜂的轉(zhuǎn)移概率，既保證蜂群的多樣性，又加快參數(shù)估計的收斂速度，本文的混沌蜂群算法進(jìn)行工程約束參數(shù)的優(yōu)化，能夠快速、清晰、準(zhǔn)確且有效性強(qiáng)。附圖說明圖1是本專利技術(shù)的方法流程圖；圖2是本專利技術(shù)提供的改變步長搜索示意圖；圖3是本專利技術(shù)提供的伸縮結(jié)構(gòu)示意圖；圖4是本專利技術(shù)提供的傳統(tǒng)蜂群算法和改進(jìn)混沌蜂群算法對工程約束參數(shù)優(yōu)化效果對比圖；具體實施方式結(jié)合附圖對專利技術(shù)針對傳統(tǒng)蜂群算法的搜索策略進(jìn)行改進(jìn)，充分發(fā)揮人工蜂群算法的搜索能力和開發(fā)能力，并將改進(jìn)后的人工蜂群搜索算法應(yīng)用到工程約束參數(shù)優(yōu)化過程，避免局部最優(yōu)情況出現(xiàn)，同時，保證一定的收斂速度和收斂精度。本專利技術(shù)包括以下幾個步驟：步驟一：通過混沌算法確定參數(shù)向量即其取值范圍，用目標(biāo)函數(shù)和等式或不等式進(jìn)行描述；在實驗區(qū)域范圍內(nèi)隨機(jī)投放足夠數(shù)量的蜜蜂，蜜蜂隨機(jī)搜索路徑時會不斷更新信息素矩陣，利用蜂群算法的正反饋性，最終產(chǎn)生的信息素矩陣，從而確定蜂源的位置。初始的信息素矩陣不能為0，蜜蜂轉(zhuǎn)移將不能開始，所以要采用隨機(jī)矩陣作為信息素矩陣初始化。蜜蜂下一步要走的位置，由轉(zhuǎn)移概率決定。步驟二：根據(jù)步驟一中確定的參數(shù)向量的個數(shù)和取值范圍，初始化人工蜂群，確定最大限制迭代次數(shù)Limit、最大循環(huán)次數(shù)c及搜索目標(biāo)參數(shù)個數(shù)N，令引領(lǐng)蜂在初始位置領(lǐng)域內(nèi)隨機(jī)地搜索蜜源；步驟三：以概率P選取步驟一中由混沌算法確定的參數(shù)作為調(diào)整對象，引入概率P控制搜索過程中矩陣向量中參數(shù)的個數(shù)，并適當(dāng)?shù)母淖儾介L參數(shù)F，首先由引領(lǐng)蜂在當(dāng)前蜜源鄰域內(nèi)隨機(jī)搜索新的蜜源，獲取個蜜源的代價函數(shù)值qi,由qi計算適應(yīng)度函數(shù)值Qi,在當(dāng)前搜索的位置Qi大于qi時，則轉(zhuǎn)移到其它為去過的蜜源，引領(lǐng)蜂將在新的蜜源附近搜索并記錄Qi較大的蜜源位置信息；步驟四：待所有引領(lǐng)蜂搜索結(jié)束，根據(jù)各引領(lǐng)蜂所在蜜源的適應(yīng)度函數(shù)值Qi，得到跟隨蜂轉(zhuǎn)至各蜂源概率Pi，依據(jù)概率進(jìn)行位置更新，并記錄每次蜂群迭代搜索過程中的適應(yīng)度函數(shù)值最大的蜜源位置wbest；步驟五：若選擇蜜源，則轉(zhuǎn)化為引領(lǐng)蜂搜索新的蜜源，同時在蜜源附近搜索并記錄適應(yīng)度函數(shù)值較大的蜜源位置；步驟六：如果迭代次數(shù)大于最大限制迭代次數(shù)Limit，得到的最優(yōu)解仍沒有變化，要放棄所在蜜源，同時由偵察蜂代替引領(lǐng)蜂產(chǎn)生一個新的位置；步驟七：如果某一參數(shù)超過其最大取值范圍，應(yīng)將該參數(shù)設(shè)定為該邊界的最大值或最小值；步驟八：記錄每次蜂群迭代搜索過程中的適應(yīng)度函數(shù)值最大的蜜源位置xbest，重復(fù)步驟三至步驟七，經(jīng)過有限次循環(huán)搜索，得到參數(shù)的最優(yōu)估計值。各步驟具體為：一種基于改進(jìn)人工蜂群算法的工程約束參數(shù)優(yōu)化方法，實時參數(shù)估計方法包括以下步驟：步驟一：通過混沌算法確定參數(shù)向量即其取值范圍，用目標(biāo)函數(shù)和等式或不等式進(jìn)行描述；在實驗區(qū)域范圍本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點】
一種基于改進(jìn)人工蜂群算法的工程約束參數(shù)優(yōu)化方法，其特征在于，該方法包括以下步驟：步驟一：通過混沌算法確定參數(shù)向量即其取值范圍，用目標(biāo)函數(shù)和等式或不等式進(jìn)行描述；在實驗區(qū)域范圍內(nèi)隨機(jī)投放足夠數(shù)量的蜜蜂，蜜蜂隨機(jī)搜索路徑時會不斷更新信息素矩陣，利用蜂群算法的正反饋性，最終產(chǎn)生的信息素矩陣，從而確定蜂源的位置。初始的信息素矩陣不能為0，蜜蜂轉(zhuǎn)移將不能開始，所以要采用隨機(jī)矩陣作為信息素矩陣初始化。蜜蜂下一步要走的位置，由轉(zhuǎn)移概率決定。

【技術(shù)特征摘要】
1.一種基于改進(jìn)人工蜂群算法的工程約束參數(shù)優(yōu)化方法，其特征在于，該方法包括以下步驟：步驟一：通過混沌算法確定參數(shù)向量即其取值范圍，用目標(biāo)函數(shù)和等式或不等式進(jìn)行描述；在實驗區(qū)域范圍內(nèi)隨機(jī)投放足夠數(shù)量的蜜蜂，蜜蜂隨機(jī)搜索路徑時會不斷更新信息素矩陣，利用蜂群算法的正反饋性，最終產(chǎn)生的信息素矩陣，從而確定蜂源的位置。初始的信息素矩陣不能為0，蜜蜂轉(zhuǎn)移將不能開始，所以要采用隨機(jī)矩陣作為信息素矩陣初始化。蜜蜂下一步要走的位置，由轉(zhuǎn)移概率決定。步驟二：根據(jù)步驟一中確定的參數(shù)向量的個數(shù)和取值范圍，初始化人工蜂群，確定最大限制迭代次數(shù)Limit、最大循環(huán)次數(shù)c及搜索目標(biāo)參數(shù)個數(shù)N，令引領(lǐng)蜂在初始位置領(lǐng)域內(nèi)隨機(jī)地搜索蜜源；所涉及的引領(lǐng)蜂初始位置表達(dá)式為：式中，Rij為0到1之間的隨機(jī)數(shù)，N為0到1之間的設(shè)定值；i＝1....N，j＝1...N,V為蜜源的個數(shù)，為第j個參數(shù)的最小取值，為第j個參數(shù)的最大取值，rand(0,1)表示0到1范圍內(nèi)的隨機(jī)數(shù)；引領(lǐng)蜂初始位置領(lǐng)域L的位置表達(dá)式為：其中，wij為引領(lǐng)蜂初始位置，lij為引領(lǐng)蜂領(lǐng)域搜索位置，φij為參數(shù)搜索步長，取值范圍為[-F,F],F為0到1之間的隨機(jī)數(shù)；F的表達(dá)式為：步驟三：以概率P選取步驟一...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張悅，王國臣，范世偉，徐定杰，李倩，
申請(專利權(quán))人：哈爾濱工業(yè)大學(xué)，
類型：發(fā)明
國別省市：黑龍江,23