基于改进人工蜂群算法的产品拆卸序列规划

为了提高复杂产品拆卸序列规划效率,提出了一种改进的人工蜂群算法用于此类问题求解。通过拆卸混合图表达产品零部件之间的连接关系和优先约束关系,并推导出可行拆卸序列的约束表达式,建立拆卸序列规划数学模型和适应度计算公式。对初始种群进行了优先约束规划,提出一种可行度算法用于蜂群对蜜源的搜寻与选择。定义了自适应选择参数、动态平衡可行度与适应度算法的优先配比,以实现复杂产品拆卸序列规划的快速求解。最后以内啮合齿轮泵为实例,利用所提方法进行了拆卸序列规划求解,通过分析实验结果,并对比传统人工蜂群算法,证明了该方法的可行性和高效性。

复合形引导蜂群寻优的无人机航迹多目标规划

为了提高无人机导航路径规划的精度和稳定性,提出了复合形引导蜂群寻优的无人机航迹多目标优化方法。使用坐标变换方法,将二维规划问题降为一维;建立了航迹规划的目标函数与约束条件;在传统人工蜂群基础上,改进了蜜源初始化方法,使前后航迹点相互关联,提高航迹可行率;为了提高收敛速度,改进了雇佣蜂和观察蜂的蜜源搜索方式,提出了随机搜索与最优蜜源引导相结合的位置更新方式;提出了Metropolis准则改进观察蜂蜜源选择策略,有利于算法跳出局部最优、保留潜在最优;使用复合形法引导蜂群整体向优质蜜源运动,提出了复合形引导蜂群寻优算法。经仿真验证,与传统算法和混沌扰动算法相比,复合形引导蜂群算法的收敛迭代次数分别减少了4倍和6倍,寻优时间降低了约一个数量级,且规划航迹更优、稳定性更好。

基于引领人工蜂群算法的PID控制器参数优化

PID参数决定着PID控制器性能,针对PID参数优化问题,提出一种引领人工蜂群算法(GABC)。该算法在保留原有人工蜂群算法(ABC)邻近蜜蜂互相交流信息特性的基础上,增大观察蜂向拥有较高质量食物源的采蜜蜂的跟随概率,引入当前全局最优蜜蜂引领其他蜜蜂向更高质量的食物源移动。运用MATLAB对经典测试函数进行优化仿真分析可知,GABC算法能快速得到理论的最优值,提高了收敛速度和收敛精度,优于惯性权重线性下降粒子群算法(PSO-LDIW)和ABC算法。以二阶被控模型为研究对象,将GABC算法与ABC算法和PSO-LDIW算法进行比较,可知用GABC算法优化的PID控制器具有无超调量、响应快的特性,有更好的控制效果。

人工蜂群最优化测井解释方法在致密砂岩储层评价中的应用

最优化测井解释方法打破了常规解释的局限性,充分利用测井资料及地质信息,可有效地评价复杂岩性储层,而优化算法是最优化测井解释的关键。利用人工蜂群(ABC)最优化方法求取苏里格致密砂岩储层某段的各组分体积含量,并与细菌觅食-复合形混合算法(BFA-CM)和遗传算法(GA)进行对比。结果表明,ABC最优化测井解释方法在处理致密砂岩储层时具有参数设置简单,全局搜索能力强,不需要二次优化就可达到所需精度,为最优化测井解释提供了一种新方法。

基于复数编码的多策略人工蜂群算法

人工蜂群算法是解决不同类型优化问题的优秀算法之一,但该算法在处理复杂优化问题时仍存在收敛速度慢、易早熟和局部搜索能力弱等缺陷.为克服这些问题,从基本人工蜂群算法出发,提出基于复数编码的多策略人工蜂群算法.该算法针对人工蜂群算法的特点,设计搜索策略知识库,由种群个体在搜索过程中自适应选择最佳搜索方式,并引入复数编码方法构造双倍体种群个体,改善种群个体的多样性,进一步提高解的质量.应用15个测试函数对算法性能进行仿真实验,并将实验结果与其他算法进行比较,结果表明本文提出的算法在收敛速度和计算精度上明显优于对比方法,能够有效地解决全局优化问题.

一种带搜索因子的全局最优人工蜂群算法

针对全局最优人工蜂群算法(GABC)搜索迭代过程中未充分考虑到全局优化和局部优化在优化过程中的作用,在一定程度上降低了算法的全局搜索能力,容易陷入局部最优解的问题,提出了一种带搜索因子的全局最优人工蜂群算法(HF-GABC)。在最优人工蜂群(GABC)算法中引入了可以随着优化过程动态搜索的因子,在算法的全局搜索过程和局部搜索过程中进行动态搜索。应用改进的算法对4个标准测试集函数进行仿真试验,并与ABC算法、GABC算法的结果进行比较。实验结果表明:带搜索因子的人工蜂群算法收敛性能优于ABC和GABC算法,有效降低了局部收敛的可能性,并且提高了搜索精度。

具有自适应全局最优引导快速搜索策略的人工蜂群算法

针对人工蜂群算法存在开发与探索能力不平衡的缺点,提出了具有自适应全局最优引导快速搜索策略的改进算法.在该策略中,首先采蜜蜂利用自适应搜索方程平衡了不同搜索方法的探索和开发能力;其次跟随蜂利用全局最优引导邻域搜索方程对蜜源进行精细化搜索,以提高其收敛精度和全局搜索能力.14个标准测试函数的仿真结果表明,相比其他算法,所提出的改进算法有效平衡了算法的开发与探索能力,并提高了其最优解的精度及收敛速度.