一种基于改进混沌蜂群算法的工程约束参数优化方法技术

一种基于改进的蜂群算法的工程约束参数优化方法，是一种新型的仿生学优化算法，思想是利用蜜蜂群体搜索蜜源的路线进行判断选择的方式方法。传统的工程约束参数优化方法存在诸多不令人满意的问题，难以满足工程约束参数优化的需求，利用传统蜂群算法对工程参数进行优化具有较强的适应性、正反馈性和鲁棒性，但也存在易陷入局部最优解。混沌蜂群算法是利用混沌算法的全排列性，利用混沌变量具有遍历性、随机性和规律性的特点，改进蜂群算法容易过早收敛、易陷于局部最优、对边缘定位不准确等问题。本文采用混沌蜂群算法进行工程约束参数的优化，该方法能够快速、清晰、准确且有效性强。

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.

【技术实现步骤摘要】
一种基于改进混沌蜂群算法的工程约束参数优化方法
本专利技术属于智能算法应用
，尤其涉及一种基于改进的蜂群算法的工程约束参数优化方法。
技术介绍
工程参数优化问题广泛地存在于日常生产生活中，传统的工程约束参数优化方法存在诸多不令人满意的问题，难以满足工程约束参数优化的需求。一般来说，工程参数优化问题都是在许多线性或非线性约束的前提下。但是，由于目前对工程约束参数优化问题的求解方法认识还不够深入，如果搜索空间不可微或参数间为非线性性，则往往得不到全局最优解，即陷入局部优化。因此，全局搜索和局部搜索的平衡机制对优化算法的成功时很重要的，需要一种不依赖于系统模型的具体表达方式的约束参数优化方法。蜂群算法是一种新型的仿生学优化算法，思想是利用蜜蜂群体搜索蜜源的路线进行判断选择的方式方法。该算法具有较强的适应性、正反馈性和鲁棒性，但也存在易陷入局部最优解。混沌蜂群算法是利用混沌算法的全排列性，利用混沌变量具有遍历性、随机性和规律性的特点，改进蜂群算法容易过早收敛、易陷于局部最优、对边缘定位不准确等问题。本文采用混沌蜂群算法进行工程约束参数的优化，该方法能够快速、清晰、准确且有效性强。
技术实现思路
本专利技术的目的在于提供一种能够弥补传统蜂群算法存在结构复杂难以确定、局部优化、搜索效率低等缺点，提出一种快速、清晰、准确的算法解决一般工程约束参数的优化方法。本专利技术的目的是这样实现的：基于改进人工蜂群算法的工程约束参数优化方法，包括以下步骤：步骤一：通过混沌算法确定参数向量即其取值范围，用目标函数和等式或不等式进行描述；在实验区域范围内随机投放足够数量的蜜蜂，蜜蜂随机搜索路径时会不断更新信息素矩阵，利用蜂群算法的正反馈性，最终产生的信息素矩阵，从而确定蜂源的位置。初始的信息素矩阵不能为0，蜜蜂转移将不能开始，所以要采用随机矩阵作为信息素矩阵初始化。蜜蜂下一步要走的位置，由转移概率决定。步骤二：根据步骤一中确定的参数向量的个数和取值范围，初始化人工蜂群，确定最大限制迭代次数Limit、最大循环次数c及搜索目标参数个数N，令引领蜂在初始位置领域内随机地搜索蜜源；所涉及的引领蜂初始位置表达式为：式中，Rij为0到1之间的随机数，N为0到1之间的设定值；i＝1....N，j＝1...N,V为蜜源的个数，为第j个参数的最小取值，为第j个参数的最大取值，rand(0,1)表示0到1范围内的随机数；引领蜂初始位置领域L的位置表达式为：其中，wij为引领蜂初始位置，lij为引领蜂领域搜索位置，φij为参数搜索步长，取值范围为[-F,F],F为0到1之间的随机数；F的表达式为：步骤三：以概率P选取步骤一中由混沌算法确定的参数作为调整对象，引入概率P控制搜索过程中矩阵向量中参数的个数，并适当的改变步长参数F，首先由引领蜂在当前蜜源邻域内随机搜索新的蜜源，获取个蜜源的代价函数值qi,由qi计算适应度函数值Qi,在当前搜索的位置Qi大于qi时，则转移到其它为去过的蜜源，引领蜂将在新的蜜源附近搜索并记录Qi较大的蜜源位置信息；所涉及的M表达式为：M＝e-a·b/c其中，b为蜂群循环次数，c为最大循环次数，a为控制参数；所涉及的适应度函数值fiti表达式为：式中，abs()为取绝对值函数；步骤四：待所有引领蜂搜索结束，根据各引领蜂所在蜜源的适应度函数值Qi，得到跟随蜂转至各蜂源概率Pi，依据概率进行位置更新，并记录每次蜂群迭代搜索过程中的适应度函数值最大的蜜源位置wbest；所涉及的转移概率Pi表达式为：其中，Qmin为本次循环后适应度函数值最小值，a为调整因子；步骤五：重复步骤三、步骤四，经过有限循环搜索，得到参数的最有估计值。当迭代次数大于最大限制迭代次数Limit时，要放弃所在蜜源，同时由侦查蜂代替引领蜂产生一个新的位置。根据权利要求书所述的基于改进人工蜂群算法的工程约束参数优化方法，其特征在于，当参数超过其取值范围时，更新边界条件，将得到的新参数设定为边界的最值。本专利技术的优势在于：传统的人工蜂群算法中，蜂群搜索过程中只改变某一个参数，本专利技术不断以一定概率判断参数是否更新，将搜索范围提高至多维度，不再只是像传统的蜂群算法只在一维空间搜索，也因此使蜂群的搜索能力大幅度提高。专利技术中当搜索步长是一定的，然而实际工程中随着搜索次数增加，范围会不断的发生改变，因此步长也会发生自适应变化，本专利技术考虑到这一因素，在保证搜索准确度的不下降的情况下，尽可能的减少搜索时间，提高效率。针对不同阶段施加不同的压力度，本专利技术改变跟随蜂选择引领蜂的转移概率，既保证蜂群的多样性，又加快参数估计的收敛速度，本文的混沌蜂群算法进行工程约束参数的优化，能够快速、清晰、准确且有效性强。附图说明图1是本专利技术的方法流程图；图2是本专利技术提供的改变步长搜索示意图；图3是本专利技术提供的伸缩结构示意图；图4是本专利技术提供的传统蜂群算法和改进混沌蜂群算法对工程约束参数优化效果对比图；具体实施方式结合附图对专利技术针对传统蜂群算法的搜索策略进行改进，充分发挥人工蜂群算法的搜索能力和开发能力，并将改进后的人工蜂群搜索算法应用到工程约束参数优化过程，避免局部最优情况出现，同时，保证一定的收敛速度和收敛精度。本专利技术包括以下几个步骤：步骤一：通过混沌算法确定参数向量即其取值范围，用目标函数和等式或不等式进行描述；在实验区域范围内随机投放足够数量的蜜蜂，蜜蜂随机搜索路径时会不断更新信息素矩阵，利用蜂群算法的正反馈性，最终产生的信息素矩阵，从而确定蜂源的位置。初始的信息素矩阵不能为0，蜜蜂转移将不能开始，所以要采用随机矩阵作为信息素矩阵初始化。蜜蜂下一步要走的位置，由转移概率决定。步骤二：根据步骤一中确定的参数向量的个数和取值范围，初始化人工蜂群，确定最大限制迭代次数Limit、最大循环次数c及搜索目标参数个数N，令引领蜂在初始位置领域内随机地搜索蜜源；步骤三：以概率P选取步骤一中由混沌算法确定的参数作为调整对象，引入概率P控制搜索过程中矩阵向量中参数的个数，并适当的改变步长参数F，首先由引领蜂在当前蜜源邻域内随机搜索新的蜜源，获取个蜜源的代价函数值qi,由qi计算适应度函数值Qi,在当前搜索的位置Qi大于qi时，则转移到其它为去过的蜜源，引领蜂将在新的蜜源附近搜索并记录Qi较大的蜜源位置信息；步骤四：待所有引领蜂搜索结束，根据各引领蜂所在蜜源的适应度函数值Qi，得到跟随蜂转至各蜂源概率Pi，依据概率进行位置更新，并记录每次蜂群迭代搜索过程中的适应度函数值最大的蜜源位置wbest；步骤五：若选择蜜源，则转化为引领蜂搜索新的蜜源，同时在蜜源附近搜索并记录适应度函数值较大的蜜源位置；步骤六：如果迭代次数大于最大限制迭代次数Limit，得到的最优解仍没有变化，要放弃所在蜜源，同时由侦察蜂代替引领蜂产生一个新的位置；步骤七：如果某一参数超过其最大取值范围，应将该参数设定为该边界的最大值或最小值；步骤八：记录每次蜂群迭代搜索过程中的适应度函数值最大的蜜源位置xbest，重复步骤三至步骤七，经过有限次循环搜索，得到参数的最优估计值。各步骤具体为：一种基于改进人工蜂群算法的工程约束参数优化方法，实时参数估计方法包括以下步骤：步骤一：通过混沌算法确定参数向量即其取值范围，用目标函数和等式或不等式进行描述；在实验区域范围本文档来自技高网...

【技术保护点】
一种基于改进人工蜂群算法的工程约束参数优化方法，其特征在于，该方法包括以下步骤：步骤一：通过混沌算法确定参数向量即其取值范围，用目标函数和等式或不等式进行描述；在实验区域范围内随机投放足够数量的蜜蜂，蜜蜂随机搜索路径时会不断更新信息素矩阵，利用蜂群算法的正反馈性，最终产生的信息素矩阵，从而确定蜂源的位置。初始的信息素矩阵不能为0，蜜蜂转移将不能开始，所以要采用随机矩阵作为信息素矩阵初始化。蜜蜂下一步要走的位置，由转移概率决定。

【技术特征摘要】
1.一种基于改进人工蜂群算法的工程约束参数优化方法，其特征在于，该方法包括以下步骤：步骤一：通过混沌算法确定参数向量即其取值范围，用目标函数和等式或不等式进行描述；在实验区域范围内随机投放足够数量的蜜蜂，蜜蜂随机搜索路径时会不断更新信息素矩阵，利用蜂群算法的正反馈性，最终产生的信息素矩阵，从而确定蜂源的位置。初始的信息素矩阵不能为0，蜜蜂转移将不能开始，所以要采用随机矩阵作为信息素矩阵初始化。蜜蜂下一步要走的位置，由转移概率决定。步骤二：根据步骤一中确定的参数向量的个数和取值范围，初始化人工蜂群，确定最大限制迭代次数Limit、最大循环次数c及搜索目标参数个数N，令引领蜂在初始位置领域内随机地搜索蜜源；所涉及的引领蜂初始位置表达式为：式中，Rij为0到1之间的随机数，N为0到1之间的设定值；i＝1....N，j＝1...N,V为蜜源的个数，为第j个参数的最小取值，为第j个参数的最大取值，rand(0,1)表示0到1范围内的随机数；引领蜂初始位置领域L的位置表达式为：其中，wij为引领蜂初始位置，lij为引领蜂领域搜索位置，φij为参数搜索步长，取值范围为[-F,F],F为0到1之间的随机数；F的表达式为：步骤三：以概率P选取步骤一...

【专利技术属性】
技术研发人员：张悦，王国臣，范世伟，徐定杰，李倩，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23