优化算法 | 人工蜂群算法（附Python代码）

最新推荐文章于 2024-03-10 22:14:08 发布

随心390

最新推荐文章于 2024-03-10 22:14:08 发布

阅读量3.9k

点赞数 8

分类专栏：优化算法文章标签：算法启发式算法 python 人工智能

本文链接：https://blog.csdn.net/weixin_40730979/article/details/125820560

版权

优化算法专栏收录该内容

17 篇文章 26 订阅

订阅专栏

hello，大家好。各位可点击左下方阅读原文，访问公众号官方店铺。谨防上当受骗，感谢各位支持！

今天为各位更新人工蜂群算法（Artificial Bee Colony，ABC）的Python代码，之前我们在MATLAB数学建模（十一） | 人工蜂群算法（附MATLAB代码）这篇推文讲解了ABC算法的基本思想，忘记ABC算法的小伙伴可以点击上述链接复习一下。

1.ABC算法基本步骤

1）初始化各蜜源 $X_i$ ; 设定参数 $NP$ 、 $l imi t$ 以及最大迭代次数 $ma x I t$ ; 计数器初始化 $i t = 1$ ;

2）为蜜源 $X_i$ 分配一只引领蜂，按式 $v_{i d}=x_{i d}+\varphi\left(x_{i d}-x_{j d}\right)$ 进行搜索，产生新蜜源 $V_i$ ;

3）依据式 $t_{i}= \begin{cases}1 /\left(1+f_{i}\right), & f_{i} \geqslant 0 \\ 1+\operatorname{abs}\left(f_{i}\right), & \text { otherwise }\end{cases}$ 评价 $V_i$ 的适应度，根据贪婪选择的方法确定保留的蜜源;

4）由式 $p_{i}=f i t_{i} / \sum_{i=1}^{N P} f i t_{i}$ 计算引领蜂找到的蜜源被跟随的概率;

5）跟随峰采用与引领蜂相同的方式进行搜索，根据贪婪选择的方法确定保留的蜜源;

6）判断蜜源是否满足被放弃的条件。如满足，对应的引领蜂角色变为侦察蜂，否则直接转到8）;

7）侦察蜂根据式 $X_{i}^{t+1}=\left\{\begin{array}{l} L_{d}+\operatorname{rand}(0,1)\left(U_{d}-L_{d}\right), \operatorname{trial}_{i} \geqslant \text { limit } \\ X_{i}^{t}, \operatorname{trial}_{i}<\text { limit } \end{array}\right.$ 随机产生新蜜源;

8） $i t = i t + 1$ ; 判断算法是否满足终止条件，若满足则终止，输出最优解，否则转到2）。

更多关于ABC算法详细内容详见MATLAB数学建模（十一） | 人工蜂群算法（附MATLAB代码）。

2.ABC算法Python代码

整个ABC算法Python代码共包含两个.py文件，即artificial_bee_colony.py和app.py。这里需要注意的是，需要各位自行安装ypstruct库，安装方法可以参考https://pypi.org/project/ypstruct/。

artificial_bee_colony.py文件如下所示：

import numpy as np
from ypstruct import structure

def run(problem, params):
    # 函数信息
    costfunc = problem.costfunc
    nvar = problem.nvar
    varmin = problem.varmin
    varmax = problem.varmax

    # 参数信息
    maxit = params.maxit
    npop = params.npop
    nonlooker = params.nonlooker
    limit = int(np.round(0.6*nvar*npop))
    a = params.a

    # 空的蜂群结构
    empty_bee = structure()
    empty_bee.position = None
    empty_bee.cost = None

    # 临时蜂群结构
    newbee = structure()
    newbee.position = None
    newbee.cost = None

    # 初始化全局最优解
    bestsol = empty_bee.deepcopy()
    bestsol.cost = np.inf

    # 种群初始化
    pop = empty_bee.repeat(npop)

    for i in range(npop):
        pop[i].position = np.random.uniform(varmin, varmax, nvar)
        pop[i].cost = costfunc(pop[i].position)
        if pop[i].cost < bestsol.cost:
            bestsol = pop[i].deepcopy()

    # 初始化每个个体的抛弃次数
    count = np.empty(npop)

    # 记录每一代中全局最优个体目标函数值
    bestcost = np.empty(maxit)

    # 人工蜂群算法主循环
    for it in range(maxit):

        # 引领蜂
        for i in range(npop):

            # 随机选择k，不等于i
            K = np.append(np.arange(0,i),np.arange(i+1,npop))
            k = K[np.random.randint(K.size)]

            # 定义加速系数
            phi = a * np.random.uniform(-1, 1, nvar)

            # 新的蜜蜂位置
            newbee.position = pop[i].position + phi * (pop[i].position - pop[k].position)

            # 计算新蜜蜂目标函数值
            newbee.cost = costfunc(newbee.position)

            # 通过比较目标函数值，更新第i个蜜蜂的位置
            if newbee.cost < pop[i].cost:
                pop[i] = newbee.deepcopy()
            else:
                count[i] += 1

        # 计算适应度值和选择概率
        fit = np.empty(npop)
        meancost = np.mean([pop[i].cost for i in range(npop)])
        for i in range(npop):
            fit[i] = np.exp(-pop[i].cost/meancost)     #将目标函数值转换为适应度值

        probs = fit / np.sum(fit)

        # 跟随蜂
        for m in range(nonlooker):

            # 通过轮盘赌的方式选择蜜源
            i = roulette_wheel_selection(probs)

            # 随机选择k，不等于i
            K = np.append(np.arange(0, i), np.arange(i + 1, npop))
            k = K[np.random.randint(K.size)]

            # 定义加速系数
            phi = a * np.random.uniform(-1, 1, nvar)

            # 新的蜜蜂位置
            newbee.position = pop[i].position + phi * (pop[i].position - pop[k].position)

            # 计算新蜜蜂目标函数值
            newbee.cost = costfunc(newbee.position)

            # 通过比较目标函数值，更新第i个蜜蜂的位置
            if newbee.cost < pop[i].cost:
                pop[i] = newbee.deepcopy()
            else:
                count[i] += 1

        # 侦察蜂
        for i in range(npop):
            if count[i] > limit:
                pop[i].position = np.random.uniform(varmin, varmax, nvar)
                pop[i].cost = costfunc(pop[i].position)
                count[i] = 0

        # 更新全局最优解
        for i in range(npop):
            if pop[i].cost < bestsol.cost:
                bestsol = pop[i].deepcopy()

        # 存储每一代全局最优解的目标函数值
        bestcost[it] = bestsol.cost

        # 展示迭代信息
        print("Iteration {}: Best Cost = {}".format(it, bestcost[it]))

    # 返回值
    out = structure()
    out.pop = pop
    out.bestsol = bestsol
    out.bestcost = bestcost
    return out

def roulette_wheel_selection(p):
    c = np.cumsum(p)
    r = sum(p) * np.random.rand()
    ind = np.argwhere(r <= c)
    return ind[0][0]

app.py文件如下所示：

import matplotlib.pyplot as plt
import numpy as np
from ypstruct import structure
import time
import artificial_bee_colony

start = time.time()         #运行开始时刻
# 测试函数
def sphere(x):
    return sum(x**2)

# 问题定义
problem = structure()
problem.costfunc = sphere
problem.nvar = 10
problem.varmin = -100 * np.ones(10)
problem.varmax = 100 * np.ones(10)

# ABC参数
params = structure()
params.maxit = 500
params.npop = 100
params.nonlooker = 100
params.a = 1

# 运行ABC
out = artificial_bee_colony.run(problem, params)
# 运行结果
plt.rcParams['font.sans-serif'] = ['KaiTi']  #设置字体为楷体
plt.plot(out.bestcost)
print("最优解：{}".format(out.bestsol))
end = time.time()              # 运行结束时刻
print('运行时间：{}s'.format(end-start))

plt.xlim(0, params.maxit)
plt.xlabel('迭代次数')
plt.ylabel('全局最优目标函数值')
plt.title('人工蜂群算法')
plt.grid(True)
plt.show()