基于改進(jìn)人工蜂群算法的約束多目標(biāo)優(yōu)化方法
【專(zhuān)利摘要】本發(fā)明針對(duì)于基本人工蜂群優(yōu)化方法解決約束多目標(biāo)優(yōu)化問(wèn)題的不足，以應(yīng)急救援第一階段物資調(diào)度問(wèn)題為應(yīng)用背景，提出一種基于改進(jìn)人工蜂群算法的約束多目標(biāo)優(yōu)化方法。該方法基于反向解的定義提出融合反向?qū)W習(xí)的食物源初始化過(guò)程，來(lái)提高50％初始解的質(zhì)量。同時(shí)，為了平衡優(yōu)化過(guò)程的“開(kāi)發(fā)”和“探索”能力，該方法將反向?qū)W習(xí)策略和廣泛學(xué)習(xí)策略融合到蜜蜂搜索過(guò)程，以提升搜索效率。構(gòu)建基于非線性缺失損失的多對(duì)多、一次性消耗應(yīng)急物資調(diào)度約束多目標(biāo)優(yōu)化模型，并形成實(shí)施實(shí)例，大量測(cè)試結(jié)果表明，本方法與基本人工蜂群優(yōu)化方法相比較，所求出的非支配前沿解數(shù)量更多，在解空間上的分配更廣泛、均勻，更接近于Pareto最優(yōu)解。
【專(zhuān)利說(shuō)明】基于改進(jìn)人工蜂群算法的約束多目標(biāo)優(yōu)化方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于人工智能研究領(lǐng)域，具體設(shè)及一種基于改進(jìn)人工蜂群算法的約束多目 標(biāo)優(yōu)化方法。

【背景技術(shù)】
[0002] 優(yōu)化是人們?cè)诮?jīng)濟(jì)、科學(xué)、工程和社會(huì)等領(lǐng)域最常碰見(jiàn)的問(wèn)題，例如，應(yīng)急決策、生 產(chǎn)調(diào)度、系統(tǒng)控制和經(jīng)濟(jì)模型等。上述應(yīng)用領(lǐng)域的實(shí)踐表明，同等條件下經(jīng)過(guò)優(yōu)化技術(shù)的處 理，系統(tǒng)效率、資源、經(jīng)濟(jì)效益等方面都有顯著提高，而且，處理問(wèn)題規(guī)模越大，相應(yīng)效果也 越明顯。為此設(shè)計(jì)更為高效、實(shí)用的優(yōu)化算法，成為國(guó)內(nèi)外各領(lǐng)域?qū)W者廣泛關(guān)注的熱點(diǎn)問(wèn) 題。
[0003] 隨著工程技術(shù)和科學(xué)的發(fā)展，該些優(yōu)化問(wèn)題向大規(guī)模、多目標(biāo)、非線性、強(qiáng)約束化 等方向發(fā)展，函數(shù)逼近法、牛頓法等傳統(tǒng)的優(yōu)化方法，由于要求目標(biāo)函數(shù)連續(xù)可微、缺乏通 用性等問(wèn)題，不再適用。而近幾十年涌現(xiàn)的進(jìn)化方法，如人工蜂群算法、遺傳算法、模擬退火 算法、差分進(jìn)化算法和粒子群算法等，由于不受捜索空間限制條件的約束且不需要其它輔 助信息，具有效率高、簡(jiǎn)單易操作、通用性強(qiáng)等特點(diǎn)，符合當(dāng)前優(yōu)化問(wèn)題的客觀要求，因而成 為主流優(yōu)化方法。
[0004] 人工蜂群算法是目前最前沿、最具前景的進(jìn)化算法之一，與其他優(yōu)化算法相比，具 有參數(shù)設(shè)置少、收斂速度快且收斂精度高等優(yōu)點(diǎn)，因而自提出之日起，就受到眾多學(xué)者的廣 泛關(guān)注，并開(kāi)始相關(guān)應(yīng)用問(wèn)題研究。然而，人工蜂群算法作為一種相對(duì)優(yōu)秀的群智能優(yōu)化 算法，目前尚處于研究初期，存在大量問(wèn)題值得研究，其中迫切需要解決的問(wèn)題有；如何拓 展其應(yīng)用領(lǐng)域；如何為針對(duì)于單目標(biāo)優(yōu)化問(wèn)題設(shè)計(jì)的人工蜂群算法引入多目標(biāo)優(yōu)化處理機(jī) 審IJ;如何處理應(yīng)用問(wèn)題中的約束條件；如何提高算法效率等。


【發(fā)明內(nèi)容】

[0005] 針對(duì)于人工蜂群算法用于優(yōu)化問(wèn)題的不足之處，本發(fā)明的目的是要提出一種基于 改進(jìn)人工蜂群算法的約束多目標(biāo)優(yōu)化方法，其主要是面向應(yīng)急調(diào)度優(yōu)化該一新的應(yīng)用領(lǐng) 域，將人工蜂群算法由單目標(biāo)優(yōu)化拓展到多目標(biāo)，同時(shí)引入反向初始化、反向?qū)W習(xí)捜索、廣 泛學(xué)習(xí)捜索等策略，提升優(yōu)化方法效率。
[0006] 為了實(shí)現(xiàn)上述目的，本發(fā)明所采用的計(jì)算方案為基于改進(jìn)人工蜂群算法的約束多 目標(biāo)優(yōu)化方法，其在構(gòu)建完應(yīng)急調(diào)度應(yīng)用問(wèn)題模型，形成約束條件和優(yōu)化多目標(biāo)，選取多目 標(biāo)適應(yīng)度評(píng)價(jià)函數(shù)，確定食物源編碼，完成算法相關(guān)參數(shù)的設(shè)置的基礎(chǔ)上進(jìn)行的，其具體步 驟如下如下：
[0007] 步驟1 ;反向初始化階段；
[000引隨機(jī)生成食物源，計(jì)算食物源的反向食物源，其公式如下：
[0009]

【權(quán)利要求】
1.基于改進(jìn)人工蜂群算法的約束多目標(biāo)優(yōu)化方法，其采用反向食物源初始化過(guò)程；融 合反向?qū)W習(xí)策略的蜜蜂搜索過(guò)程和廣泛學(xué)習(xí)策略的蜜蜂搜索過(guò)程；基于非線性缺失損失的 多對(duì)多應(yīng)急物資約束多目標(biāo)優(yōu)化模型；其特征在于：其具體步驟如下： 步驟1:反向初始化階段； 隨機(jī)生成食物源，根據(jù)反向?qū)W習(xí)公式計(jì)算食物源的反向食物源；根據(jù)支配關(guān)系對(duì)食物 源和反向食物源進(jìn)行精英選擇，得到初始食物源，分別計(jì)算初始食物源的秩和擁擠距離，進(jìn) 行多目標(biāo)非支配排序； 步驟2:引領(lǐng)蜂階段； 步驟2-1 :對(duì)每個(gè)對(duì)應(yīng)唯一食物源的引領(lǐng)蜂，隨機(jī)生成[0, 1]之間的隨機(jī)數(shù)ri，若 !1￡[〇』131)上1為反向?qū)W習(xí)概率，？1^(〇.2,0.4)，則進(jìn)行步驟2-2;若1' 1￡[?131，？131+?。1)， PdS廣泛學(xué)習(xí)概率Pele(0. 1，0. 3)，進(jìn)行步驟2-3 ;否則進(jìn)行步驟2-4 ; 步驟2-2 :采用反向?qū)W習(xí)策略搜索新食物源； 引領(lǐng)蜂采用步驟1的反向?qū)W習(xí)公式計(jì)算其對(duì)應(yīng)食物源的反向食物源，并將反向食物源 作為新食物源；轉(zhuǎn)步驟2-5 ; 步驟2-3 :采用廣泛學(xué)習(xí)策略產(chǎn)生新食物源； 引領(lǐng)蜂隨機(jī)選取兩個(gè)其他食物源，并將其對(duì)應(yīng)食物源Food與選取的兩個(gè)食物源進(jìn)行 比較，其基于非支配關(guān)系排序，選取betterFood進(jìn)行隨機(jī)權(quán)重rd的學(xué)習(xí)，形成新食物源 newFood，其公式如式（1)所示；轉(zhuǎn)步驟2-5 ; newFood=rclXbetterFood+(l-rcl)XFood(I) 步驟2-4 :采用隨機(jī)變異策略產(chǎn)生新食物源；轉(zhuǎn)步驟2-5 ; 步驟2-5 :對(duì)新食物源進(jìn)行約束校驗(yàn)修正；若新食物源支配舊食物源，則選擇新食物源 替舊食物源，并重新對(duì)所有食物源進(jìn)行非支配排序； 步驟3 :跟隨蜂階段； 步驟3-1 :每個(gè)跟隨蜂根據(jù)概率隨機(jī)選取秩k，并在秩為k的食物源集合中隨機(jī)選取一 個(gè)食物源； 步驟3-2 :跟隨蜂對(duì)其選中食物源，隨機(jī)生成[0, 1]之間的隨機(jī)數(shù)r。，若r# [〇,Pbl)，Pbl為反向?qū)W習(xí)概率，Pble(0. 2, 0. 4)，則進(jìn)行步驟3-3 ;若r[Pbl，Pbl+Pel)，Pc^廣泛學(xué) 習(xí)概率PelG(〇. 1，〇. 3)，則進(jìn)行步驟3-4 ;否則進(jìn)行步驟3-5 ; 步驟3-3 :采用反向?qū)W習(xí)策略搜索新食物源； 跟隨蜂采用步驟1的反向?qū)W習(xí)公式計(jì)算其對(duì)應(yīng)食物源的反向食物源，并將反向食物源 作為新食物源；轉(zhuǎn)步驟3-6 ; 步驟3-4 :采用廣泛學(xué)習(xí)策略產(chǎn)生新食物源； 跟隨蜂隨機(jī)選取兩個(gè)其他食物源，并將其對(duì)應(yīng)食物源Food與選取的兩個(gè)食物源進(jìn) 行比較，基于非支配關(guān)系排序，選取betterFood進(jìn)行隨機(jī)權(quán)重rd的學(xué)習(xí)，形成新食物源 newFood，其公式如式（1)所示；轉(zhuǎn)步驟3-6 ; 步驟3-5 :采用隨機(jī)變異策略產(chǎn)生新食物源，轉(zhuǎn)步驟3-6 ; 步驟3-6 :對(duì)新食物源進(jìn)行約束校驗(yàn)糾正，若新食物源支配舊食物源，則選擇新食物源 替舊食物源，并重新對(duì)所有食物源進(jìn)行非支配排序； 步驟4 :偵察蜂階段； 當(dāng)一個(gè)食物源適應(yīng)度值經(jīng)過(guò)limit次循環(huán)之后沒(méi)有得到改善，則該食物源被拋棄，與 之對(duì)應(yīng)的引領(lǐng)蜂變?yōu)閭刹旆?，重新隨機(jī)搜索一個(gè)新位置來(lái)代替原食物源； 步驟5 :結(jié)束階段； 判斷算法調(diào)用評(píng)價(jià)次數(shù)是否達(dá)到上限，若達(dá)到，則算法停止，輸出非支配前沿解集，否 則轉(zhuǎn)步驟2。
2. 根據(jù)權(quán)利要求1所述的基于改進(jìn)人工蜂群算法的約束多目標(biāo)優(yōu)化方法，其特征在 于：所述反向?qū)W習(xí)公式為：
其中：Foody表示食物源，F(xiàn)oodij表示期望食物源，為食物源p的Foody，F(xiàn)oodn為反向食物源。
3. 根據(jù)權(quán)利要求1所述的基于改進(jìn)人工蜂群算法的約束多目標(biāo)優(yōu)化方法，其特征在 于：所述非支配關(guān)系排序依據(jù)并根據(jù)秩小者優(yōu)先，同秩擁擠距離小者優(yōu)先的原則。
【文檔編號(hào)】G06N3/00GK104504439SQ201410699441
【公開(kāi)日】2015年4月8日 申請(qǐng)日期:2014年11月26日 優(yōu)先權(quán)日:2014年11月26日
【發(fā)明者】趙明, 宋曉宇, 髙怡臣 申請(qǐng)人:沈陽(yáng)建筑大學(xué)