基于轮盘赌反向选择机制的蜂群优化算法

【引言】由于NP-hard 问题及其他复杂问题的存在，使得传统优化算法在求解问题规模不断增加的此类问题时暴露出相当大的局限性，为此，寻找近似最优的群体智能优化算法( 如蚁群算法、鱼群算法、粒子群算法以及人工蜂群算法等) 不断涌现出新的解决思路。因此，类似于人工蜂群算法模拟自然界生物群体行为而构造的群体智能算法遂成为当前的一个研究热点。人工蜂群( ABC) 算法是由土耳其开塞利大学教授Karaboga于2005 年提出的一种基于蜂群采蜜行为的群体智能优化算法。目前关于ABC 算法的研究还处于不断探索改进的阶段，但得益于其算法控制参数少、步骤思路简洁及全局寻优能力强等优点，已被越来越多的学者所关注。它已在函数优化、组合优化、聚类分析、生产调度及工程应用等领域取得了较好的应用效果，尤其是在多峰高维的复杂函数优化方面展现出了优于粒子群算法、遗传算法、差分进化等算法的卓越性能。但是，由于进化方式及个体选择策略的影响，人工蜂群算法依然可能陷入局部最优而早熟收敛。为此众多学者进行了方方面面的改进，以克服其早熟收敛的特性。罗钧等人和Alatas引入了混沌映射对初始群体进行初始化，以提高算法初始群体解的质量，并在此基础上又对陷入局部最优的个体蜜蜂食物源借助混沌搜索策略，以提高算法局部开采( local exploit) 能力; Gao 等人基于混沌映射和对位学习理论对ABC 算法初始群体进行了初始化，然后对跟随蜂引入一种新的搜索更新机制，并在对跟随蜂搜寻到的食物源位置和原雇佣蜂的食物源位置进行选择时引入了一个平衡概率，以提高算法的全局进化性能; 暴励等人和高卫峰等人将差分进化与蜂群算法相结合，分别提出了双种群差分蜂群算法和混合蜂群算法; Akay 等人基于对基本蜂群算法中的食物源位置更新方程引入一个扰动概率参数MR( modifyrate) 以及一个自适应尺度因子ASF( adaptive scaling factor) ，提出了一种解决实值参数优化问题的改进蜂群算法。