文献汇报 基于差分进化的混合人工蜂群算法

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ABC可以通过整合独立算法各自的优点来获得更好的性能。

比如：

Jadon等人修正了基本ABC算法的位置更新方程。Li等人提出了ABC和DE算法的混合版本，并将其应用于最优无功潮流。Amir等人在ABC中杂交DE，为无约束优化问题的工作蜂和旁观者蜂创建新的解决方案。Alizadegan等人提出了一种混合ABC和DE (ABC - DE)，其中DE被纳入了工作阶段和旁观者阶段。Ali et al.也提出了一种新的混合优化方法(HRABC)，该方法由ABC和Taguchi方法组成，用于结构设计优化。Duan等人将ABC杂交到量子进化算法(Quantum Evolutionary Algorithm, QEA)中，采用ABC算法提高QEA种群的局部利用能力和随机性。

本文提出了一种混合的作业成本法和DE法，并对作业成本法的位置更新方程进行了修正。

该混合算法被命名为HABCDE。在HABCDE中，对ABC的雇佣蜂、旁观者蜂和侦察蜂三个阶段进行了修改。在雇佣蜂阶段，蜜蜂不仅根据随机选择的食物源移动，而且还根据当前的最佳食物源移动。在旁观蜂阶段，通过差分进化(DE/best/1/bin)算法过程的进化操作来更新蜜蜂的位置。侦察蜂的数量在侦察阶段增加，给所有没有更新到预定次数的蜜蜂一个重新初始化自己的机会。

人工蜂群算法(ABC)

（1）ABC算法是由Karaboga开发的，它模拟了真实蜜蜂的食物觅食行为。

（2）在ABC中，蜜蜂的食物来源被称为解决方案。ABC由三种蜜蜂组成，即受雇的、旁观的和侦察的。ABC蜂群由同等数量的工蜂和旁观者蜂组成。雇佣的蜜蜂在他们的蜂巢周围探索食物来源，并将相关信息储存在他们的记忆中。旁观的蜜蜂从蜂巢中被雇佣的蜜蜂收集信息，以选择食物来源进一步提取花蜜。当食物源中的花蜜量不足或耗尽时，侦察蜂在搜索空间中随机寻找新的食物源。

（3）ABC算法:

初始化控制参数;雇佣蜂阶段:对群中每个解生成邻域解;旁观者蜂阶段:根据概率选择解生成邻域解;侦察蜂阶段:对搜索空间中耗尽的解进行随机初始化;记住最好的解决方案;输出最佳解决方案。

微分进化

（1）DE是一种基于种群的优化算法，种群中的成员是潜在的解，协同搜索解。DE具有基于进化和群体智能的特征，它包括进化算子如变异、交叉、选择和群体智能概念如个体解的距离和方向来进一步指导搜索过程。DE求解优化问题有不同的格式，如目标向量的选择方法、更新方程中使用的差分向量的数量、要使用的交叉算子的类型等。

（2）整个DE过程包括三个阶段:试验载体的产生、后代的产生和亲本与后代之间的选择形成下一代。变异、交叉和选择是使上述阶段得以执行的三个操作。在DE中，首先利用均匀分布，在搜索区域内生成一个固定大小的种群。然后，为了生成下一个种群，需要经历上述三个阶段。整个DE过程的关键和关键部分是后代向量的生成，这涉及到两个算子:变异算子和交叉算子。最后在亲本和后代之间进行贪婪选择，为下一代选择最优的载体。

基于差分进化算法的混合人工蜂群

ABC算法可以通过修改其位置更新方程和/或与其他有前途的优化算法杂交来改进。

本文将这两个概念应用于提高基本作业成本的效率。

该算法是ABC算法和DE算法的混合，称为差分进化人工蜂群混合算法(HABCDE)。

在HABCDE中，在ABC的每个阶段（雇佣蜂、旁观蜂、侦察蜂）提出了三个修改。 

3.研究结论

（1）人工蜂群算法是一种简单的基于群智能的算法，参数少，但存在收敛速度慢、探索与开发不平衡等缺点。另一方面，差异进化显示出相对较快的收敛速度。

（2）本文将ABC算法与DE算法进行了杂交，提出了一种新的混合算法——HABCDE。

在这个HABCDE中，ABC的所有三个阶段都被修改了：

通过将Gbest（全局最优）概念引入到被雇佣的蜜蜂阶段，对其进行了修改，以便更好地开发;

通过引入基本DE过程的进化算子(变异、交叉和选择)，提高了围观者蜂阶段的收敛速度。

此外，在侦察蜂阶段增加了侦察蜂的数量，以实现更好的探索。