文档介绍：
人工蜂群算法的吸附式叶型设计
《航空动力学报》2014年第九期
1优化策略：人工蜂群（ABC）算法
在工程优化领域，遗传算法（GA）［8］已被广泛采用，但遗传算法存在着收敛速度慢，求解高维问题时易早熟陷入局部最优等固有缺陷，且算法的操作较为繁琐，参数不易选取．近年来，基于群智能的算法，如蚁群算法［9］、粒子群算法［10］等逐渐成为研究热点，其在神经网络训练、函数优化、工程优化等领域表现出了优于遗传算法的性能．人工蜂群算法［11］是一种新型的群智能算法，由Karaboga于2005年提出，文献［12］中明确指出其与差分进化算法、粒子群算法等相比可获取更佳的性能测试结果，是一种优秀的函数优化方法之一，且具有设置参数少，计算简单等优点，具有广阔的工程应用前景．
1．1人工蜂群算法的基本原理在人工蜂群算法中，蜂群由采蜜蜂、待工蜂和侦察蜂组成［13］．采蜜蜂所采蜜源对应着优化问题的可行解．初期，蜂群被等分为采蜜蜂和待工蜂．采蜜蜂外出采蜜，归来后通过摇摆舞将蜜源的位置、数量等信息传递给待工蜂，待工蜂根据获得的信息以一概率选择自己将要开采的蜜源．为了提高算法的全局收敛性，若采蜜蜂寻找到的蜜源的质量在一定循环次数后仍然没有提高，则放弃当前蜜源，采蜜蜂转变为侦察蜂，继续寻找新的蜜源．人工蜂群算法包括以下基本步骤：1）初始化蜜蜂种群．在初始时刻，随机生成生成N个可行解2）按照种群适应度大小，将蜜蜂分为采蜜蜂和待工蜂两种．在该步中，计算由步骤1）生成的各解向量的适应度值，并按由大到小的顺序进行排列，选择前N／2个蜜蜂作为采蜜蜂．3）对于每只采蜜蜂，继续在原蜜源附近采蜜，搜索其他蜜源，并计算其适应度值，若其适应度值更高，则取代原蜜源．搜索蜜源的公式为采用贪婪选择算子在采蜜蜂搜索到的新位置向量V和X中选取具有更优适应度的保留给下一代的种群．其概率分布4）对于每只待工蜂，按照与蜜源适应度值成比例的概率，选择一个蜜源，并在其附近进行采蜜，寻找其他蜜源，若新产生的蜜源适应度值更高，则待工蜂变为采蜜蜂，并取代原蜜源位置．待工蜂选择蜜源的选择概率为式中Ne为采蜜蜂的个数．5）若搜寻次数超过一定限制，仍没有找到具有更高适应度值的蜜源，则放弃该蜜源，并重新初始化生成一个新的蜜源．6）记录下至今为止的最优蜜源，并跳至步骤2），直至算法收敛．
1．2算法测试选用了3个典型的经常用于算法测试的函数对人工蜂群算法进行测试，并与当前主流的遗传算法进行了对比．测试函数分别为Sphere，Rastr－igin，Griewank函数．Sphere函数的方程为与Sphere函数相比，Rastrigin函数增加了余弦函数的调制，其图形如图2所示，在Sphere函数的图形的表面，由余弦函数调制出多个极值点，更难求解．在函数测试中，人工蜂群算法种群规模设置为40，搜索限制次数为100，最大迭代次数为200．遗传算法种群规模为50，交叉概率为0．6，变异概率为0．01，进化代数为200．各优化函数的维数为5，定义域为－100，［］100各算法均独立运行20次，然后取平均值，以减小随机误差．测试结果如表1所示．对于Sphere函数和Rastrigin函数，人工蜂群算法均