一、算法流程
基于种群的优化算法实现方便，但其在理论分析方面仍有不足的地方，需要对算法进行进一步的改进，尤其要对算法的收敛性进行更深入的研究，这不仅可以揭示算法的优化性能，也可以帮助用户更好地理解算法的特性和优缺点；其次，对算法进行收敛性分析，可以发现算法存在的不足之处，更好地促进算法的完善与发展，提升算法解决问题的效率与精确；随着科学技术的不断进步和实际问题的日益复杂对于优化算法的需求也越来越高，因此对算法的理论研究也越来越重要，而收敛性分析作为理论研究的基础，它的发展和完善对整个优化算法领域的发展都有非常重要的推动作用。因此，本文将对基于种群的优化算法进行深入研究，从选择初始种群上着手，为保证基于种群的优化算法的全局收敛，提出了一个基于分割的收敛框架；对框架的收敛性方面做出了一些初步的理论探讨，以说明框架的全局收敛性；从数值实验的结果可以看出，改进后的算法的不仅能够保证全局收敛，而且优化性能也有了十分明显的提高；本文也将此改进方法与图像分割方法相结合，更加说明了此收敛框架的有效性。
人工蜂群算法 (Artificial Bee Colony, ABC) 是在 2005 年 Karaboga 提出的，是模仿蜂巢中蜜蜂觅食行为的一种基于种群的元启发优化算法[51]。人工蜂群算法的控制参数少，对目标函数以及约束几乎没有要求，使用方便，搜索的精度高，且鲁棒性强，其在求解的过程中，只需要使用目标函数作为搜索的依据，不需要利用外部的信息，形成了以“生成 + 检验”为特征的技术[52]。
在人工蜂群算法中包含三种不同工种的蜜蜂，a) 雇佣蜂：去食物源采花蜜；b) 观察蜂：在舞蹈区等待，根据雇佣蜂采回的花蜜的数量来选择下一个蜂蜜的食物源；c)侦察蜂：当雇佣蜂采回的花蜜数不再上升的时候，侦察蜂就会重新根据选择机制选择一个食物源分配给雇佣蜂。一个食物源的位置被抽象成一个可行域空间中的点，表示目标问题的一个潜在解，食物源的花蜜量对应的是解的适应值。雇佣蜂的数量与观察蜂的数量都等于种群数量的一半。人工蜂群算法主要分为四个阶段。
在第一阶段 (初始化阶段)，人工蜂群算法会生成一个随机分布的初始种群𝑃𝑃 , 初始的种群数量为𝑝𝑝𝑓𝑓𝑝𝑝𝐸𝐸𝑖𝑖𝑝𝑝𝑓𝑓。食物源的位置可以使用 𝒙𝒙𝑖𝑖, 𝑖𝑖 ∈ [1, 2, . . . , 𝑝𝑝𝑓𝑓𝑝𝑝𝐸𝐸𝑖𝑖𝑝𝑝𝑓𝑓/2] 表示，其中 𝑥𝑥𝑖𝑖是一个𝐷𝐷维的向量，𝐷𝐷是目标函数中参数的数量。
二、代码与仿真
clc
clear
load data
%初始化程序
Dim=5; %粒子维数
xSize=50; %种群个数
MaxIt=200; %迭代次数
c1=0.8; %算法参数
c2=0.8; %算法参数
wmax=1.2; %惯性因子
wmin=0.1; %惯性因子
x=unidrnd(4,xSize,Dim); %粒子初始化
v=zeros(xSize,Dim); %速度初始化
xbest=x; %个体最佳值
gbest=x(1,:); %鸡群最佳位置
% 粒子适应度值
px=zeros(1,xSize); %粒子价值目标
rx=zeros(1,xSize); %粒子体积目标
cx=zeros(1,xSize); %重量约束
% 最优值初始化
pxbest=zeros(1,xSize); %粒子最优价值目标
rxbest=zeros(1,xSize); %粒子最优体积目标
cxbest=zeros(1,xSize); %记录重量，以求约束
% 上一次的值
pxPrior=zeros(1,xSize);%粒子价值目标
rxPrior=zeros(1,xSize);%粒子体积目标
cxPrior=zeros(1,xSize);%记录重量，以求约束
%计算初始目标向量
for i=1:xSize
for j=1:Dim %控制类别
px(i) = px(i)+P(x(i,j),j); %粒子价值
rx(i) = rx(i)+R(x(i,j),j); %粒子体积
cx(i) = cx(i)+C(x(i,j),j); %粒子重量
end
end
% 粒子最优位置
pxbest=px;rxbest=rx;cxbest=cx;
%% 初始筛选非劣解
flj=[];
fljx=[];
fljNum=0;
%两个实数相等精度
tol=1e-7;
for i=1:xSize
flag=0; %支配标志
for j=1:xSize
if j~=i
if ((px(i)<px(j)) && (rx(i)>rx(j))) ||((abs(px(i)-px(j))<tol)...
&& (rx(i)>rx(j)))||((px(i)<px(j)) && (abs(rx(i)-rx(j))<tol)) || (cx(i)>weight)
flag=1;
break;
end
end
end
%判断有无被支配
if flag==0
fljNum=fljNum+1;
% 记录非劣解
flj(fljNum,1)=px(i);flj(fljNum,2)=rx(i);flj(fljNum,3)=cx(i);
% 非劣解位置
fljx(fljNum,:)=x(i,:);
end
end
%% 循环迭代
for iter=1:MaxIt
% 权值更新
w=wmax-(wmax-wmin)*iter/MaxIt;
%从非劣解中选择粒子作为全局最优解
s=size(fljx,1);
index=randi(s,1,1);
gbest=fljx(index,:);
%% 群体更新
for i=1:xSize
%速度更新
v(i,:)=w*v(i,:)+c1*rand(1,1)*(xbest(i,:)-x(i,:))+c2*rand(1,1)*(gbest-x(i,:));
%位置更新
x(i,:)=x(i,:)+v(i,:);
x(i,:) = rem(x(i,:),objnum)/double(objnum);
index1=find(x(i,:)<=0);
if ~isempty(index1)
x(i,index1)=rand(size(index1));
end
x(i,:)=ceil(4*x(i,:));
end
%% 计算个体适应度
pxPrior(:)=0;
rxPrior(:)=0;
cxPrior(:)=0;
for i=1:xSize
for j=1:Dim %控制类别
pxPrior(i) = pxPrior(i)+P(x(i,j),j); %计算粒子i 价值
rxPrior(i) = rxPrior(i)+R(x(i,j),j); %计算粒子i 体积
cxPrior(i) = cxPrior(i)+C(x(i,j),j); %计算粒子i 重量
end
end
%% 更新粒子历史最佳
for i=1:xSize
%现在的支配原有的，替代原有的
if ((px(i)<pxPrior(i)) && (rx(i)>rxPrior(i))) ||((abs(px(i)-pxPrior(i))<tol)...
&& (rx(i)>rxPrior(i)))||((px(i)<pxPrior(i)) && (abs(rx(i)-rxPrior(i))<tol)) || (cx(i)>weight)
xbest(i,:)=x(i,:);%没有记录目标值
pxbest(i)=pxPrior(i);rxbest(i)=rxPrior(i);cxbest(i)=cxPrior(i);
end
%彼此不受支配，随机决定
if ~( ((px(i)<pxPrior(i)) && (rx(i)>rxPrior(i))) ||((abs(px(i)-pxPrior(i))<tol)...
&& (rx(i)>rxPrior(i)))||((px(i)<pxPrior(i)) && (abs(rx(i)-rxPrior(i))<tol)) || (cx(i)>weight) )...
&& ~( ((pxPrior(i)<px(i)) && (rxPrior(i)>rx(i))) ||((abs(pxPrior(i)-px(i))<tol) && (rxPrior(i)>rx(i)))...
||((pxPrior(i)<px(i)) && (abs(rxPrior(i)-rx(i))<tol)) || (cxPrior(i)>weight) )
if rand(1,1)<0.5
xbest(i,:)=x(i,:);
pxbest(i)=pxPrior(i);rxbest(i)=rxPrior(i);cxbest(i)=cxPrior(i);
end
end
end
%% 更新非劣解集合
px=pxPrior;
rx=rxPrior;
cx=cxPrior;
%更新升级非劣解集合
s=size(flj,1);%目前非劣解集合中元素个数
%先将非劣解集合和xbest合并
pppx=zeros(1,s+xSize);
rrrx=zeros(1,s+xSize);
cccx=zeros(1,s+xSize);
pppx(1:xSize)=pxbest;pppx(xSize+1:end)=flj(:,1)';
rrrx(1:xSize)=rxbest;rrrx(xSize+1:end)=flj(:,2)';
cccx(1:xSize)=cxbest;cccx(xSize+1:end)=flj(:,3)';
xxbest=zeros(s+xSize,Dim);
xxbest(1:xSize,:)=xbest;
xxbest(xSize+1:end,:)=fljx;
%筛选非劣解
flj=[];
fljx=[];
k=0;
tol=1e-7;
for i=1:xSize+s
flag=0;%没有被支配
%判断该点是否非劣
for j=1:xSize+s
if j~=i
if ((pppx(i)<pppx(j)) && (rrrx(i)>rrrx(j))) ||((abs(pppx(i)-pppx(j))<tol) ...
&& (rrrx(i)>rrrx(j)))||((pppx(i)<pppx(j)) && (abs(rrrx(i)-rrrx(j))<tol)) ...
|| (cccx(i)>weight) %有一次被支配
flag=1;
break;
end
end
end
%判断有无被支配
if flag==0
k=k+1;
flj(k,1)=pppx(i);flj(k,2)=rrrx(i);flj(k,3)=cccx(i);%记录非劣解
fljx(k,:)=xxbest(i,:);%非劣解位置
end
end
%去掉重复粒子
repflag=0; %重复标志
k=1; %不同非劣解粒子数
flj2=[]; %存储不同非劣解
fljx2=[]; %存储不同非劣解粒子位置
flj2(k,:)=flj(1,:);
fljx2(k,:)=fljx(1,:);
for j=2:size(flj,1)
repflag=0; %重复标志
for i=1:size(flj2,1)
result=(fljx(j,:)==fljx2(i,:));
if length(find(result==1))==Dim
repflag=1;%有重复
end
end
%粒子不同，存储
if repflag==0
k=k+1;
flj2(k,:)=flj(j,:);
fljx2(k,:)=fljx(j,:);
end
end
%非劣解更新
flj=flj2;
fljx=fljx2;
end
种群分割
能够更好的帮助理解算法是如何决定潜在最优细胞域的。一个点表示一个细胞域。纵轴表示的是基点的函数值，横轴表示的是细胞域的大小。潜在最优细胞域的选择必须要遵守规则3.2。ℙ 包括所有的实心点，而ℙ仅仅只包含图3.1中的𝐺𝐺。规则3.2需要潜在最优细胞域至多包含所有的实心点。
算法结果
博主简介：本人擅长数据处理、建模仿真、程序设计、论文写作与指导，欢迎项目与课题经验交流。个人博客：kelaboshi.com。
大量算法设计可留言评论获取，或者付费咨询
算法1
算法2
算法3
2201
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
