人工蜂群算法-要点总结

人工蜂群算法

Marshal Zheng 2019-05-03

ABC算法——优化方法

基本组成

• 雇佣蜂：定位点

  • 蜜源更新公式

  • phi = a*rand([-1,1],[1,nVar])
    NewPosition = PopPosition[i] + phi*(PopPosition[i]-PopPosition[k])
    

• 跟随蜂：跟着采蜜

• 侦查蜂：找

初始化参数

• 代价函数计算函数CostFunction;
• 代价函数参数数目nVar;
• 代价函数各参数上下界[VarMin,VarMax]
• 最大迭代次数iter_max
• 单次保存的蜜源最大数量nPop
• 跟随蜂数目nOnLooker
• 蜜源抛弃上界L(一般为round(0.6nVarnPop))
• 蜜源搜索范围扩大系数a(一般为1)
• 蜜源位置矩阵PopPositon(nPop行nVar列，每一行代表一个可行解)
• 蜜源代价矩阵PopCost(nPop行1列，保存每个可行解的质量值)
• 蜜源选择概率矩阵Probability(nPop行1列，保存跟随蜂选择各蜜源的概率)
• 历史最优蜜源矩阵BestSol(iter_max+1行nVar列，保存每次迭代中的最优蜜源位置)
• 蜜源开采量矩阵Mine(nPop行1列，保存每个蜜源被跟随蜂开采的轮数，该数量达到$L$值后对应该蜜源的雇佣蜂会变成侦查蜂)

算法实现

定义待优化函数，多个输入参数组成一个行向量input
初始化各参数及矩阵
随机初始化蜜源
根据初始蜜源计算代价函数，更新蜜源代价矩阵，历史最优蜜源位置/代价矩阵

雇佣蜂阶段：

根据公式寻找下一个蜜源
进行贪婪选择，如果没有找到新的蜜源，当前蜜源开采量+1；否则更新蜜源位置

跟随蜂阶段：

根据公式计算选择概率矩阵
进行轮盘赌选择
重复雇佣蜂寻找蜜源操作
进行贪婪选择，如果没有找到新的蜜源，当前蜜源开采量+1；否则更新蜜源位置

侦查蜂阶段

查看蜜源是否被开采完
保存历史最优解

输出结果