混合排名映射概率和混沌搜索的ABC算法

针对由于人工蜂群算法(Artificial Bee Colony algorithm,ABC)采用直接映射概率选择食物源而引起收敛速度慢、陷入局部最优等问题,提出一种混合排名映射概率和混沌搜索的人工蜂群算法((Artificial Bee Colony algorithm based on Hybrid rank mapping probability and Chaotic search,ABC-HC))。首先,利用目标函数值的排名来获取选择食物源的排名映射概率,并提出计算排名映射概率的两种方法;然后,在观察蜂阶段,融合这两种计算概率的方法,即不同的搜索阶段采用不同的排名映射方法计算食物源选择概率,构造基于混合排名映射概率的人工蜂群算法,以便能够维持种群的多样性避免陷于局部最优;最后,在侦查蜂阶段,使用混沌搜索替代随机搜索以便进一步提高收敛速度,最终获得较好的全局最优解。对10个标准测试函数进行仿真,结果表明,ABC-HC算法不仅提高了收敛速度,而且更能跳出局部最优,有效地找到全局最优解,优于标准的ABC算法和进化算法。

基于排名映射概率的混沌人工蜂群算法

针对人工蜂群算法(Artificial Bee Colony algorithm,ABC)因直接采用函数值映射的概率选择食物源而引起过早收敛和陷入局部最优以及优化精度不高的问题,提出一种基于排名映射概率的混沌人工蜂群算法(Chaotic Artificial Bee Colony algorithm based on Rank mapping probability,CABC-R)。首先利用目标函数值的排名映射获取选择食物源的概率,然后构建基于排名映射概率的人工蜂群算法以便能够维持种群的多样性,获得较好的全局最优解,最后创建较高寻优精度的新型局部混沌优化算法精确寻找最优解。对10个标准测试函数进行了仿真,结果表明,CABC-R算法不仅优化效果更准确而且更能跳出局部最优,有效地找到全局最优解,优于标准的ABC、JADE、MSEP和RABC算法。

混沌蜂群与单纯形搜索融合的低维复杂函数优化

在当前各种智能优化算法应用于函数优化问题中,鲜有专门讨论低维复杂函数优化的问题,因此针对低维复杂函数提出一种混合混沌蜂群全局搜索与单纯形局部搜索的优化算法.对基本的单纯形算法进行改进,以提高其局部寻优能力,对基于混沌搜索和排名映射概率的蜂群算法(ABC-HC)进行修改以便更能维持种群的多样性避免陷于局部最优更有利于获得全局最优解并将修改的ABC-HC算法与改进的单纯形算法融合获得更好的全局最优精确解.14个低维复杂函数仿真结果表明,提出的算法更能有效地找到低维复杂函数的全局最优解、而且优化精度更高,优于ABC-HC算法、改进的EP算法和OXBBO算法.