算法參數(shù)對(duì)人工蜂群算法性能的影響

郭書杰+方興+趙鶴群

摘要：作為一種新興的群體智能優(yōu)化方法，人工蜂群算法在函數(shù)優(yōu)化方面具有較好的優(yōu)化能力。然而其收斂速度也受到控制參數(shù)的影響，為了考察算法各參數(shù)對(duì)其性能的影響，使用VS2010編寫了一套標(biāo)準(zhǔn)人工蜂群算法，并選取兩個(gè)標(biāo)準(zhǔn)函數(shù)作為測(cè)試對(duì)象，對(duì)這種影響進(jìn)行了測(cè)試，最后給出了測(cè)試結(jié)論。

關(guān)鍵詞：人工蜂群算法；函數(shù)優(yōu)化；群智能

DOI：10.11907/rjdk.162752中圖分類號(hào)：TP312文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：16727800（2017）004006103

0引言 人工蜂群算法[12]（Artificial Bee Colony Algorithm，以下簡(jiǎn)稱ABC 算法）是Karaboga于2005年提出，旨在解決函數(shù)優(yōu)化問題。作為一種新興的模擬生物群體智能的優(yōu)化方法，ABC算法具有參數(shù)數(shù)量較少、結(jié)構(gòu)簡(jiǎn)單、易于實(shí)現(xiàn)、應(yīng)用范圍廣等諸多優(yōu)點(diǎn)。Karaboga和Akay的通過實(shí)驗(yàn)對(duì)比了ABC算法與遺傳算法、微粒群算法、差分進(jìn)化算法等常見智能優(yōu)化算法的性能。結(jié)果表明，就解決函數(shù)優(yōu)化問題而言，ABC算法的性能更具優(yōu)勢(shì)[3]。由于ABC算法具有上述優(yōu)點(diǎn)，它已經(jīng)被成功地應(yīng)用到多種不同類型的實(shí)際優(yōu)化問題中，比如參數(shù)優(yōu)化問題[4]、符號(hào)回歸問題[5]、神經(jīng)網(wǎng)絡(luò)[67]以及最短路徑問題[8]等。盡管ABC算法的控制參數(shù)相對(duì)較少，但它仍然有3個(gè)參數(shù)需要設(shè)置。多數(shù)智能優(yōu)化算法都是參數(shù)敏感型的，解決不同的問題時(shí)，各參數(shù)的敏感度又多不相同。為了研究算法求解函數(shù)優(yōu)化問題時(shí)參數(shù)對(duì)ABC算法的影響，使用Visual Studio2010編寫了經(jīng)典人工蜂群算法，考察了算法參數(shù)對(duì)算法性能的影響。

1人工蜂群算法 人工蜂群算法是通過模擬蜂群的采蜜行為來實(shí)現(xiàn)對(duì)問題的優(yōu)化求解，它將蜜蜂分為引領(lǐng)蜂、跟隨蜂和偵察蜂3種類型，將整個(gè)優(yōu)化過程分解為引領(lǐng)蜂尋優(yōu)、跟隨蜂尋優(yōu)、偵查蜂尋優(yōu)3個(gè)階段。在引領(lǐng)蜂尋優(yōu)階段，引領(lǐng)蜂通過在自己找到的蜜源附近進(jìn)行局部探索，來提高蜜源質(zhì)量；在跟隨蜂尋優(yōu)階段，跟隨蜂首先根據(jù)各引領(lǐng)蜂發(fā)現(xiàn)的蜜源質(zhì)量，擇優(yōu)選擇一個(gè)蜜源，然后在該蜜源的周圍進(jìn)行局部探索，借以實(shí)現(xiàn)尋找更優(yōu)蜜源；如果對(duì)某一蜜源的多次探索都改進(jìn)了蜜源的質(zhì)量，則進(jìn)入偵察蜂尋優(yōu)階段：與該蜜源對(duì)應(yīng)的引領(lǐng)蜂變成偵察蜂，在問題的解空間內(nèi)，隨機(jī)生產(chǎn)一個(gè)新蜜源進(jìn)行探索。 假令蜜源的數(shù)量為NP，蜜源Xi對(duì)應(yīng)的適應(yīng)度為fiti，蜜源維持代數(shù)閾值為limit，待解問題的維數(shù)為D，第i維xid的取值范圍為[Ldi，Udi]，則人工蜂群算法的搜索步驟如下[1，910]。

（7）判斷算法是否滿足終止條件，若滿足則輸出最優(yōu)解并終止，否則轉(zhuǎn)到步驟（2）繼續(xù)執(zhí)行。

2算法參數(shù)人工蜂群算法有3個(gè)參數(shù)：蜜源數(shù)量NP、優(yōu)化代數(shù)iterMax和維持代數(shù)limit。蜜源數(shù)量表示在待解問題的解空間中選取的點(diǎn)數(shù)。優(yōu)化代數(shù)用于規(guī)定進(jìn)行多少次的迭代搜索，一般而言，迭代次數(shù)越多找到最優(yōu)解的概率也就越大，然而隨著優(yōu)化的進(jìn)行，蜜源的多樣性會(huì)逐漸減低，甚至?xí)霈F(xiàn)超級(jí)蜜源而陷入過早收斂狀態(tài)。維持代數(shù)是為了增加蜜源的多樣性，提高算法的全局搜索性能。

2.1測(cè)試函數(shù)為了測(cè)試算法的各個(gè)參數(shù)對(duì)算法性能的影響，使用Visual Studio2010編寫了用于解決函數(shù)優(yōu)化的人工蜂群算法，選取維數(shù)為10的兩個(gè)標(biāo)準(zhǔn)函數(shù)作為測(cè)試對(duì)象，一個(gè)是單極值函數(shù)、一個(gè)是非線性多極值函數(shù)。測(cè)試函數(shù)如表1所示，被測(cè)函數(shù)的三維映像如圖1、圖2所示。

2.2測(cè)試方法 在保持其它參數(shù)不變的情況下，按照一定的步長(zhǎng)逐漸增大被測(cè)參數(shù)的取值。對(duì)于被測(cè)參數(shù)的每個(gè)取值，運(yùn)行程序50次，并記錄50次運(yùn)行得到的最優(yōu)解的平均值。通過對(duì)比算法參數(shù)與這一平均值的大小來考察算法參數(shù)對(duì)算法性能的影響。

2.3測(cè)試結(jié)果 （1）蜜源數(shù)量NP對(duì)算法性能的影響。參數(shù)NP對(duì)算法性能的影響如圖3所示。由圖3不難看出，參數(shù)NP對(duì)算法性能的影響具有較大的不確定性，沒有明顯的規(guī)律可循。對(duì)于單極值函數(shù)，NP取100時(shí)求得的函數(shù)值最?。欢鄻O值函數(shù)則在NP取140時(shí)得到最優(yōu)解。

（2）優(yōu)化代數(shù)iterMax對(duì)算法性能的影響。優(yōu)化代數(shù)iterMax對(duì)算法性能的影響如圖4所示。

由圖4可以看出，當(dāng)優(yōu)化代數(shù)較小時(shí)，算法的優(yōu)化能力較弱；隨著優(yōu)化代數(shù)的增加，其優(yōu)化能力逐漸加強(qiáng)，但當(dāng)優(yōu)化代數(shù)大于200代時(shí)，這種趨勢(shì)趨于平緩。 （3）維持代數(shù)limit對(duì)算法性能的影響。維持代數(shù)limit對(duì)算法性能的影響如圖5所示。

由圖5可知，維持代數(shù)對(duì)算法優(yōu)化能力的影響與優(yōu)化代數(shù)相似，但只要不設(shè)置得過小，limit對(duì)算法優(yōu)化能力的影響較小。

3結(jié)語 人工蜂群算法是一種新興的智能優(yōu)化算法，在解決函數(shù)優(yōu)化問題時(shí)具有較好的全局搜索性能，然而與其它智能優(yōu)化算法一樣，人工蜂群算法的性能也受到控制參數(shù)的影響。本文通過實(shí)驗(yàn)考察了各參數(shù)對(duì)算法性能的影響，能夠?yàn)樗惴ǖ膽?yīng)用提供參考。需要指出的是，本文僅考察了每個(gè)參數(shù)對(duì)算法性能的獨(dú)立影響，沒有考慮各參數(shù)之間的交叉影響。

參考文獻(xiàn)：[1]KARABOGA D.An idea based on honey bee swarm for numerical optimization[R].Technical Report，Kayseri：Erciyes University，2005.

[2]KARABOGA D，BASTURK B.A powerful and efficient algorithm for numerical function optimization：artificial bee colony （ABC） algorithm[J].Journal of Global Optimization，2007，39（3）：459471.[3]KARABOGA D，AKAY B.A comparative study of artificial bee colony algorithm[J].Applied Mathematics and Computation，2009，214（1）：108132.

[4]賈宗圣，司錫才，王桐.基于人工蜂群技術(shù)的海雜波參數(shù)優(yōu)化方法[J].中南大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，43（9）：34853489.[5]KARABOGA D，OZTURK C，KARABOGA N，et al.Artificial bee colony programming for symbolic regression[J].Information Sciences，2012，209（11）：115.

[6]GARRO BA，SOSSA H，VZQUEZ RA.Artificial neural network synthesis by means of artificial bee colony （ABC） algorithm[C].New Orleans：Proc.of the IEEE Congress on Evolutionary Computation，2011：331338.[7]YEH W，HSIEH T.Artificial bee colony algorithmneural networks for Ssystem models of biochemical networks approximation[J].Neural Computing and Applications，2012，21（2）：365375.

[8]SZETO WY，WU Y，HO SC.An artificial bee colony algorithm for the capacitated vehicle routing problem[J].European Journal of Operational Research，2011，215（1）：126135.

[9]周新宇，吳志健，王明文.基于正交實(shí)驗(yàn)設(shè)計(jì)的人工蜂群算法[J].軟件學(xué)報(bào)，2015，26（9）：21672190.

[10]秦全德，程適，李麗，等.人工蜂群算法研究綜述[J].智能系統(tǒng)學(xué)報(bào)，2014，9（2）：127135.

（責(zé)任編輯：孫娟）