[发明专利]基于混沌反向策略的蜂群改进算法

说明书

技术领域

本发明涉及人工智能领域，尤其涉及一种基于混沌反向策略的蜂群改进算法。

背景技术

目前混沌应用到蜂群优化中时常引用较多的是Logistic映射算子，混沌是存在于非线性系统中的一种普遍现象，但不同的混沌映射算子对混沌寻优过程有很大的影响。其中Logistic映射是一个典型的混纯系统，寻优速度受到Logistic遍历不均匀性的影响。

发明内容

针对上述现有技术中的不足，本发明提供一种基于混沌反向策略的蜂群改进算法，保留了算法初始化时所具有的随机性并提高了种群的多样性和搜索遍历的均匀性。

为了实现上述目的，本发明提供一种基于混沌反向策略的蜂群改进算法，包括步骤：

S1：生成一初始种群且j为维度；

S2：对所述初始种群进行混沌处理，获得一混沌序列1≤j≤D且j为自然数，D为维度总数；k为迭代次数，1≤k≤C_max，C_max为最大迭代次数；

S3：对所述混沌序列进行反向策略处理，获得一混沌初始解和一混沌初始解的反向解；

S4：根据所述混沌初始解和所述混沌初始解的反向解计算获得一最终初始种群；

S5：根据所述最终初始种群进行人工蜂群算法步骤，获得第一个体最优解；

S6：对所述第一个体最优解进行反向策略处理，获得第二个体最优解；

S7：根据所述第二个最优解计算获得一群体最优解。

本发明的进一步改进在于，所述S2步骤进一步包括步骤：

S21：在所述初始种群中取j＝1时的值作为当前的初值；

S22：利用一公式(1)对所述初值进行贝努利移位变换：

x_k+1＝(2x_k)modI (1)；

其中，x_k为当前的所述初值，k为迭代次数；

对公式(1)进行迭代，迭代自增1，最大迭代次数为C_max，生成一值序列；

S23:判断当前迭代次数是否达到最大迭代次数，如是跳至步骤S25；如不是，判断是否x_k＝{0,0.25,0.5,0.75}或x_k＝x_(k-n)，n＝{0,1,2,3,4}，如是进行步骤S24，否则返回步骤S22；

S24：将j值加1，并取当前的作为新的初值，返回步骤S22；

S25：保存当前值序列，根据所述值序列生成混沌序列

本发明的进一步改进在于，所述S3步骤进一步包括步骤：

S31：利用一公式(2)对所述混沌序列进行转换，获得所述混沌初始解：

其中，表示第i个混沌初始解的第j维向量；表示第j维向量最小值；表示第j维向量最大值；

S32：利用一公式(3)求的反向解，获得所述混沌初始解的反向解:

其中，表示第i个混沌初始解的反向解的第j维向量，L为[0,1]间的随机数。

本发明的进一步改进在于，所述S4步骤中：根据一公式(4)获得一适应度集合，并选择适应度最优的值形成所述最终初始种群：

本发明的进一步改进在于，所述S6步骤进一步包括步骤：

S61：根据一公式(5)对所述第一个体最优解进行反向策略处理：

Pbesttop＝x_min+x_max-Pbest (5)；

其中，Pbesttop为所述第一个体最优解的反向值，Pbest为所述第一个体最优解，x_max为被寻优参数的最大值，x_min被寻优参数的最小值；

S62：计算所述第一个体最优解的反向值和所述第一个体最优解中每个值的适应值，并选择N个适应度最优的值作为所述第二个体最优解，所述N大于零的自然数。

本发明的进一步改进在于，所述S7步骤中，计算所有所述第二个体最优解的适应度，并选取一适应度最优的解作为所述群体最优解。

本发明由于采用了以上技术方案，使其具有以下有益效果：