机器人路径规划_人工蜂群算法

机器人路径规划_人工蜂群算法

原理

ABC(Artificial BeesColony)算法最先由Basturk等人提出并应用于函数优化问题，蜂群采蜜行为与函数优化问题对应关系如表1所示。由表1可知，ABC算法中，蜜源的位置对应函数优化问题的一个可行解，而蜜源的收益度(蜜量)对应问题的适应度(函数值)，寻找并采集蜜源的速度对应问题求解的速度。算法中参数描述为：NE 为采蜜蜂数量；NO 为跟随蜂数量；NS 为蜜蜂总数；Q 为解空间维数；MCN 为最大循环迭代数；Limit 为采蜜蜂持续保持不变代数；Cycle 为当前迭代数。

初始化时，随机生成NS 个可行解，计算函数值，将排名前50％的解作为蜜源位置，即前50％为采蜜蜂，后50％为跟随蜂。蜜源个数始终是NE 个，不会随着迭代的进行而改变。具体随机产生的可行解为

式中 j∈{1，2，···，Q }为Q维解向量的某个分量。

采蜜蜂记住自己以前的最优解，在采蜜源附近邻域搜索，搜索公式为

式中j∈{1，2，···，Q}，k∈{1，···，i－1，i＋1，···，EN}，即k 随机生成，且k≠ ，  为[－1，1]之间的随机数，随着迭代次数的累加， 之间的距离缩小，搜索的空间也缩小，也即搜索的步长缩小，动态的调整步长，有助于算法提高精度，并最终获得最优解，非常接近最优解的次优解。

采蜜蜂采用贪婪准则，比较记忆中的最优解和邻域搜索解，当搜索解优于记忆最优解时，替换记忆解；反之，保持不变。在所有的采蜜蜂完成邻域搜索后，采蜜蜂跳摆尾舞与跟随蜂共享蜜源信息。跟随蜂根据蜜源信息以一定概率选择采蜜源，蜜量大的采蜜蜂吸引跟随蜂的概率大于蜜量小的采蜜蜂。同样，跟随蜂在采蜜源附近邻域搜索，采用贪婪准则，比较跟随蜂搜索解与原采蜜蜂的解，当搜索解优于原采蜜蜂的解时，替换原采蜜蜂的解，完成角色互换；反之，保持不变