1、I基于增强现实改进蚁群算法的三维路径寻优摘 要人工蜂群(ABC)算法, 它是蜜蜂群觅食行为的启发,是一个生物 优化算法。它显示了更有效的遗传算法(GA),粒子群优化(PSO)和差分进化(DE)。然而,ABC 算法有时会缓慢收敛, 它善于探索但贫穷的开发对其解决方案搜索方程。为了解决这些方面的问题,我们提出一种新颖的搜索策略采用蜜蜂阶段通过引入广义反对学习方法搜索机制和一种改进的解决方案搜索方程通过当地最佳解决方案的优点在旁观者阶段。两个操作可以平衡算法的勘探和开采。然后,为了提高全局收敛性,我们在每个迭代修改动态扰动的频率。此外, 我们使用一种更健壮的计算来确定和比较替代解决方案的质量。实验是
2、在一组 21 日进行基准测试函数。实验结果表明,该算法优于人工蜂群算法和其他重要的进化优化器在解决复杂的数值优化问题。关键词：人工蜂群算法,搜索机制, 解决方案搜索方程2第 1 章 引言优化问题中经常遇到众多应用程序的核心工程师荷兰国际集团设计经济学、统计物理、信息理论和计算机科学等。群英特尔方法在人工智能用于解决实际的优化问题。这是灵感来自社会的集体行为社会和其他动物。群体智慧有一些优点,如可伸缩性、容错、适应、速度、模块化、战略性和并行性。之前的研究表明,基于群体智能算法有很大的潜力。最近出现的算法包括粒子群优化基于鸟群或鱼的行为学校,蚁群优化伪造行为的启发, 蚁群和人工蜂群 (ABC)蜜
3、蜂群算法受伪造行为。人工蜂群算法引入 Karaboga 是一种方法被用来发现不利于数值优化问题的最优解。算法是受蜜蜂的行为当寻求高质量的食物来源 ABC 的性能比较与其他优化方法如进化 Strate给(ES),遗传算法(GA),差分进化(DE), 粒子群优化和粒子群进化算法启发(PS - EA)。ABC 算法数值比较结果表明 ,在几个优化问题与他们竞争。由于其简单和易于实现,ABC 算法吸引了不少人的眼球, 已经应用于解决许多实际优化问题。然而, 类似于其他进化算法, 有一些在充足 ,即 ABC 算法善于探索但贫穷的开发及其在某些情况下收敛速度也是一个问题。这些缺点限制了更广泛的应用 ABC
4、算法。为了加速者吃收敛速度和平衡能力的探索和开发,大量的算法提出了近年来,比如(GABC),和 PS-ABC1。这些修改 ABC 有更好的性能比原来的 ABC。介绍了一种新颖的修改版本的美国广播公司为了提高算法的性能。首先,修改搜索方程的解决方案提出了更新的旁观者。在这种方法中,本地的 informa最佳解决方案(pb)纳入解决方案搜索方程平衡剥削和探索。然后,小说反对学习荷兰国际集团(ing)方法来初始化人口和搜索新的解决方案采用蜜蜂阶段。扰动的频率在每一次迭代动态调整。此外, 一个更健壮的它 是用来确定和比较替代解决方案的质量。第二部分描述了原始 ABC 算法。修改后的 ABC 算法(PA
5、BC) 提出了第三节。然而,类似于其他进化算法, 有一些在充足,即 ABC 算法rithm 善于探索但贫穷的开发及其在某些情况下收敛速度也是一个问题。这些缺点限制了更广泛的应用ABC 算法。为了加速者吃收敛速度和平衡能力的探索和开发,大量的变体 ABC 算法提出了近年来, 比如(GABC)17,改进的 ABC18,IABC19,I-ABC 和 PS-ABC1。这些修改 ABC 有更好的性能比原来的 ABC。介绍了一种新颖的修改版本的美国广播公司为了提高算法的性能。首先,修改搜索方程的解决方案提出了更新的旁观者。在这种方法中, 本地的最佳解决方案(pb)纳入解决方案搜索方程平衡剥削和探索。然后,
6、小说反对学习 荷兰国际集团方法来初始化人口和搜索新的解决方案采用蜜蜂阶段。扰动的频率在每一次迭代动态调整。此外,一个更健壮的它是用来确定和比较替代解决方案的质量。剩下的纸是组织如下。第二部分描述了原始 ABC 算法。修改后的 ABC 算法3(PABC)提出了第三节。Sec起跳 4 提出并讨论了实验结果。最后,第五节提供了结论。采用蜜蜂,另一半包括旁观者蜜蜂。采用蜜蜂搜索食物源周围的食物在他们的记忆里,与此同时他们与观众分享他们的食品信息。一个旁观者往往选择好的食物来源与使用发现的蜜蜂,然后进一步搜索周围的食物选择的食物来源。当食物来源被蜜蜂抛弃,放弃了使用蜜蜂成为侦察, 然后搜索。在 ABC
7、算法,一种食物来源的位置对应于优化问题的可能的解决方案,和花蜜的每个食品 sourcerep对他们的质量(健身) 相关的解决方案。采用蜜蜂的数量等于食物来源的数量。一个旁观者选择食物来源 com - pletelydepending theprobabilityvalue 与食物来源, 计算 通过以下形式:fiti 第 i 个解决方案的健身价值,NP 是食物来源的数量。为了产生一个新的食品位置 v从旧 xi(v -,习副主席都是采用向量),美国广播公司采用以下修改的形式:k e 1,2,NP 和 j e 1,2,D 是随机选择指数;k 是不同于我, 是一个随机数范围内1。每个新源位置后产生和评
8、估人工蜜蜂,新的食物源的性能是与旧的相比。如果新源同等或更好的质量比旧的来源,被新的取代旧的。否则 ,旧的被保留。如果一个位置不能改善皮毛其他通过一个预先确定的数量的周期,那么食物来源将被遗弃。预定数量的周期的价值被称为限八月donment,ABC 算法是一个重要的控制参数。假设被遗弃的来源是 1,2,D ,然后一个童子军蜜蜂发现一个源取代。 操作可以被定义xjmin 和 xjmax 维度的降低和上界食物源的位置,分别是：第 2 章 改进算法在本节中,我们将讨论该算法rithm 在细节。加快收敛速度,提高开发和探索的过程,我们建议让四大变化,同时介绍这个改进的算法方法修改采蜜频率和object
9、ive-value-based 比较法。没有损失的泛化,本文只考虑迷你问题.4第 3 章 基于改进人工蜂群算法的血管算法优化3.1 初始种群种群初始化是一个至关重要的任务在进化算法,因为它会影响收敛速度和最终解决方案的质量。如果没有有限公司美信的解决方案是可用的,然后随机初始化是最常用的方法来产生初始种群,Rahnamayan 等。20提出反对德(ODE)雇佣了反对学习( 还 )初始化流行 较真的进化过程中产生新的人口21采用广义反对学习(GOBL)和提出戈德算法来解决高维连续优化问题。根据(20、21),用长方形的代替随机初始化和 GOBL 方法可以获得更好的初始解,然后加快收敛速度。我们使
10、用 GOBL 方法生成初始种群。遵循进化步骤的过程。3.2 搜索方程在21,戈德认为反对派是另一个搜索机制除了德,所以戈德交替执行 GOBL 和德。德相比,戈德对多数选择 19 个测试函数执行更好的规划设计。它表明 GOBL有助于提高性能时嵌入 DE。所以在我们算法的采用蜜蜂阶段,协议反对派的概率,GOBL 交替执行与原 ABC 搜索机制。假设概率 p0 是反对派。具体来说,如果兰德(0,1) p0,反对党人口计算根据 GOBL 迟来的方法3.3 搜索策略和蜜蜂阶段在 ABC 算法 ,产生新的解决方案时 ,Vi,只改变一个参数习父母解决方案的结果在一个缓慢的收敛速度。在23,Karaboga
11、等人修改扰动的频率通过引入控制参数修改率(MR)算法来克服这个问题。通过这个 莫迪对,对于每个参数 xij,一个均匀分5布的随机数,(0 Rij 1),如果产生随机数小于先生,然后修改参数 xij 如以下方程:3.4 修正干扰在这个帕潘 ABC 算法,产生一个新的解决方案 ,Vi,只改变一个参数习父母解决方案的结果在一个缓慢的收敛速度。在23,Karaboga 等人修改的频率扰动通过引入控制参数修改率(MR)算法来克服这个问题。通过这个莫迪 对,对于每个参数 xij,一个均匀分布的随机数,(0 Rij 1),如果产生随机数小于先生,然后修改参数 xij 如以下方程:3.5 为了目标的比较法比较
12、 2 个蜜蜂的位子的不等式:特别是目标函数和变量。3.6 主要步骤步骤 0:初始化:参数 C,反对党概率 po,群体大小参数 p,popula变形大小和限制。步骤 1:创建一个初始种群随机 P,然后计算反对人口 OP 根据(4)GOBL 方法,初始种6群的进一步计算函数值 P 和反对派人口 OP 和选择 NP 适者个人初始种群。步骤 2:基于反对党概率 po,选择搜索机制采用蜜蜂阶段 pro首领新的解决方案。如果 GOBL 方法被选中,然后计算同僚人口使用(5)和选择 NP 适者个人当前的人口。如果最初的选为 ABC 算法的搜索机制 ,然后产生新的解决方案采用蜜蜂利用(2)( 基础上 7、8)
13、 和 evaluate 他们。应用采用蜜蜂的贪婪的选择过程。步骤 3:计算 值的概率为(1)的解决方案。产生旁观者的新的解决方案通过使用(6)(基于(7) 、 (8)解决方案的选择取决于 和评估他们。应用旁观者的贪婪的选择过程。Conclusions1第 4 章 实验在本节中,解决方案的性能精度、收敛速度和鲁棒性 PABC 相比 ABC。PABC 与GABC 进一步 com缩减算法。此外,我们与其他先进的进化算法比较 PABCrithms,包括变异 PSO 和变体。评估新的 ABC 的性能变化蚂蚁,PABC 算法测试使用一个测试床的 21 基准测试函数,其中大部分被从名单 CEC2005 基准
14、,如表 1 所示f1f6,f10 是连续单峰函数;f7 不连续的阶跃函数;f8 是一个嘈杂的 quarti 函数;f9 是函数模态 D = 2 和 3,但可能有多个微小的在高维情况下,函数 f11f21 multimodal 和当地的最小值数量指数的问题维度。为了证明提出的效率算法,PABC 比较与原 ABC,GABC(C = 1.5),一个传统的PSOs-LPSO24,FIPS25,CLPSO26,OPSO27,OLPSO-G28,经典的德9,玉29,java 开发环境30和萨德31。PABC 的人口规模,ABC,GABC 是 80 或 100(即。NP = 40、50),限制是 NPD 或
15、 200 年反对派 p0 概率为 0.1,动态的大小组是 60%的NP(即。 、参数 p = 0.6)控制参数 C 是 1.5。的最大数量代 Gmax 是 1000,2000 或5000 年。每一个独立实验重复 30 次。的报告结果的手段,标准偏差和最佳的统计实验数据。2这个实验中,为每个测试函数,反过来,维度设置 30 和 60 最大迭代次数设置为1000 分别为 2000。人口规模的数量作为 100 年和限制是 200。3修改原来的 ABC 算法 PABC 算法嗯在以下三个主要方面:GOBL 作为采用蜜蜂 rch 机制阶段,pb -d 搜索策略在旁观者阶段 andmodification 扰动的频率。在这个节中,我们提供了一些实验结果证明这些莫迪的有效性对。为此,我们考虑以下PABC 的三个变体:1)PABC GOBL 不再是一个搜索装置 的地方 anism 采用蜜蜂阶段(即。,使用搜索新的食物来源协议蜜蜂荷兰国际集团表示 PABC1;2)PABC pbest-guided 搜索方法在哪里取而代之的是在 best-guided 搜索方法旁观者 PABC2 阶段表示;3)PABC 没有修改的频率微扰 PABC3 命名。4
