1.研究内容
人工蜂群算法(ABC)和差分进化算法(DE)是两种非常流行和有效的元启发式算法。
存在问题:收敛过早、探索开发不平衡、收敛速度慢。
混合的ABC和DE算法,是一种比以ABC和DE更高效,可以发展更好的收敛速度和更好的探索和开发能力之间的平衡的元启发式算法。将提出的HABCDE的性能与ABC和DE的基本版本进行了比较,并与协方差矩阵自适应进化策略(CMA-ES)、粒子群优化算法(PSO)、基于生物地理的优化算法(BBO)和蜘蛛猴优化算法(SMO)比较验证了该算法的优越性。
结果表明:HABCDE将是元启发式领域的一种有竞争力的算法。
2.研究方法
群体智能已经成为一种有效的数值优化工具,它超越了协同试错法。目前流行的基于群体智能的算法有粒子群优化算法、生物地理优化算法、细菌觅食优化算法、萤火虫算法、蚁群优化算法和蜘蛛猴优化算法。
ABC算法是对蜜蜂的一种特殊行为的模拟,用很少的参数实现基于种群的优化算法是很容易的。但这种算法被发现善于探索而缺乏开发,即不能利用现有的信息找到更好的解,最终会影响ABC算法的收敛速度。这些缺点可以通过修改现有的位置更新方程和或混合另一种快速优化算法来解决,可以通过修改ABC的位置更新方程来提高其利用率。
先前的研究文献中也表明,不同算法的混合