淺析基于云模型的人工蜂群算法

作者簡介：杜豐（1980.5-）男，碩士研究生在讀，研究方向 ：項目管理。

摘要：人工蜂群算法是一種模擬蜜蜂群體尋找優(yōu)良蜜源的仿生智能優(yōu)化方法，是最新提出的智能優(yōu)化算法，近十年來己經(jīng)成為智能計算領(lǐng)域的一朵奇葩.許多學者致力于研究改進人工蜂群算法的性能，并取得了不錯的成果.云模型是我國學者李德毅院士提出的定性和定量轉(zhuǎn)換模型，其應(yīng)用一直是研究的熱點，有不少學者將云模型與智能優(yōu)化算法結(jié)合，并成功地用來解決一些實際問題.本文在對人工蜂群算法深入研究的基礎(chǔ)上，利用云模型的優(yōu)點，提高蜂群的搜索尋優(yōu)能力，使得人工蜂群算法有更快的收斂速度。

關(guān)鍵詞：云模型 人工蜂群算法 正態(tài)云 全局最優(yōu)

中圖分類號 ： TP18文獻標識碼：A 文章編號：1672-3791（2014）01（C）-0000-00

1 云模型概述

針對概率論以及模糊數(shù)學在處理不確定性方面的不足，1995年我國工程院院士李德毅以概率論，模糊數(shù)學為基礎(chǔ)提出了云的概念，并提出用“云模型”來統(tǒng)一地刻畫語言值中大量存在的模糊性和隨機性以及兩者的關(guān)聯(lián)性.具體來說，就是將云模型作為某個定性概念（用語言值描述）與其數(shù)值表示之間的不確定性轉(zhuǎn)換模型，即用云的數(shù)字特征表示自然語言中的基元一語言值的數(shù)學性質(zhì).在云模型中嫡表示在論域空間可以被定性概念接受的取值范圍，是定性概念亦此亦彼性的度量，即模糊度；超嫡是不確定性狀態(tài)變化的度量，即嫡的嫡.云模型不僅反映代表定性概念值的樣本出現(xiàn)的隨機性，還反映隸屬度的不確定性，并揭示隨機性和模糊性之間的關(guān)聯(lián)。

云模型理論主要包括云模型、虛云、云發(fā)生器、云變換和云推理等，進而發(fā)展完善成一套完整理論，下面主要介紹云模型定義、正態(tài)云模型、正態(tài)云發(fā)生器和條件云發(fā)生器等。

2 正態(tài)云模型

由于在概率論與隨機過程的理論研究和實際應(yīng)用中，正態(tài)分布起著特別重要的作用，在各種概率分布中居于首要的地位，其概率分布的形式廣泛存在于自然現(xiàn)象、社會現(xiàn)象、科學技術(shù)以及生產(chǎn)活動中，在實際中遇到的許多隨機現(xiàn)象都服從或近似服從正態(tài)分布.中心極限定理也在理論上闡述了產(chǎn)生正態(tài)分布的條件，體現(xiàn)了其廣泛性和普適性。另外，在模糊集理論中，隸屬函數(shù)是模糊理論的基石，但自然和社會科學中的大量模糊概念的隸屬函數(shù)，并沒有嚴格的確定方法，在通常的經(jīng)驗下最為常見的隸屬函數(shù)是鐘形隸屬函數(shù)，這與正態(tài)分布的密度函數(shù)是一致的。

3 人工蜂群算法概述

人工蜂群算法是模仿真實蜜蜂群行為提出的一種優(yōu)化方法，它不需要了解所要解決問題的任何特殊信息，只需要對問題進行優(yōu)劣的比較，通過每個人工蜂個體的局部尋優(yōu)行為，最后在蜜蜂群體中使全局最優(yōu)值突現(xiàn)出來，有著較快的收斂速度。蜜蜂群產(chǎn)生群體智慧的最小搜索模型由三個基本的要素組成：

3.1 食物源：它的價值是由多個方面的因素決定，如它離蜂巢的距離遠近，所含花蜜的豐富程度以及取得花蜜的難易程度.可以使用單一的參數(shù)“收益度”來代表上述各個因素并且用來衡量食物源。

3.2 雇傭蜂：也稱采蜜蜂和引領(lǐng)蜂，它與所采集食物源一一對應(yīng)引領(lǐng)蜂儲存某個食物源的相關(guān)信息（與蜂巢的距離，方向以及食物源的豐富程度等），并且將這些信息以一定的概率與其他蜜蜂分享。

3.3 非雇傭蜂：也稱待工蜂，其主要任務(wù)是尋找和開采食物源.有兩種未被雇用的蜜蜂：偵察蜂和跟隨蜂.偵察蜂搜索蜂巢附近的新食物源；跟隨蜂在蜂巢內(nèi)等待并通過引領(lǐng)蜂分享的相關(guān)信息找到食物源.

在群體智慧的形成過程中，蜜蜂間交換信息是最重要的一環(huán).蜜蜂的舞蹈叫做搖擺舞，雇傭蜂在舞蹈區(qū)（蜂巢中的信息交換地）通過搖擺舞的形式將它所對應(yīng)的食物源信息傳遞給其他的蜜蜂，用搖擺舞的時間持續(xù)的長短等來表現(xiàn)食物源的收益率，跟隨蜂可以在舞蹈區(qū)觀察到大量的舞蹈，并根據(jù)收益率來選擇到哪一個食物源采蜜.收益率與食物源被選擇的可能性成正比.因而蜜蜂被招募到某個食物源的概率與此食物源的收益率成正比.

4 基于云模型的改進人工蜂群算法

原始的人工蜂群算法在解空間中尋找全局最優(yōu)解的能力比較強（探索過程），但利用先前的解來尋找更好解的能力比較差（開采過程）.針對這些問題，本文利用云模型對定性定量之間的不確定關(guān)系有轉(zhuǎn)化能力的特點，將原始人工蜂群算法進行改進以增強其解的開采能力，并在提高算法的收斂速度的同時較大程度上避免過早收斂.下面我們將從概率選擇算子，跟隨蜂的更新機制進行改進.

本文也通過云模型改進原始蜂群算法中的跟隨蜂選擇策略.與PABC算法不同，將每一代的最差適應(yīng)度值作為期望值Ex，具體的正態(tài)云算子的三個數(shù)字特征表示如下：

N是正態(tài)隨機數(shù)生成器。

易發(fā)現(xiàn)越靠近Ex的個體適應(yīng)度較小的個體將獲得較高的可能性，即選擇概率，這樣可以保證種群的多樣性，較大程度上避免陷入局部最優(yōu).

5結(jié)論

雖然算法有著無法小覷的優(yōu)點，但問題依然存在.可看到，并不是在所有的函數(shù)上它都能得到最好的結(jié)果.原始ABC算法相比于其他的智能優(yōu)化算法，本身已經(jīng)是很新很成熟而且近乎完美，與遺傳算法和粒子群算法等相比，ABC算法有更高的魯棒性，越來越多的學者致力于提高人工蜂群算法的性能.隨著智能優(yōu)化算法和計算機的發(fā)展，相信改進后的人工蜂群算法會得到更大的發(fā)展.

參考文獻

[1] 趙艷麗，梁晶晶. 改進的多車道交通信號智能控制系統(tǒng)設(shè)計[J]. 制造業(yè)自動化. 2013（07）

[2] 李明偉，康海貴，周鵬飛. 基于混沌云粒子群算法的交叉口信號智能配時優(yōu)化[J]. 武漢理工大學學報（交通科學與工程版）. 2013（01）

[3] 申哲巍，張樹芳，孫東海. 改進云遺傳算法在負荷優(yōu)化分配中的應(yīng)用[J]. 陜西電力. 2012（12）

[4] 張佩炯，蘇宏升，楊玨，張吉斌. 基于改進云粒子群算法的電力系統(tǒng)無功優(yōu)化研究[J]. 蘭州交通大學學報. 2012（06）

[5] 李宗剛，王寅杰，高溥，石慧榮. 基于云模型的彩色圖像粒聚類分析[J]. 蘭州交通大學學報. 2012（06）

[6] 林小軍，葉東毅. 云變異人工蜂群算法[J]. 計算機應(yīng)用. 2012（09）