片锦香，王国辉

(沈阳建筑大学信息与控制工程学院，辽宁 沈阳 110168)

1 引言

2005年Karaboga系统的提出人工蜂群算法，其作为群智能优化算法展现出强大的寻优能力。随着学者的不断研究，人工蜂群算法在数值函数优化、神经网络训练、约束化问题等方面展现出强大的寻优能力，尤其是在给定静态环境下的寻优效果十分明显[1]。但随着优化问题的越来越复杂，人工蜂群算法的一些缺陷也显现的越发明显。例如，易陷入局部最优、搜索后期算法的收敛速度较慢、适应动态环境能力差等[2-8]。因此，对提高种群多样性、避免陷入局部极小值、加快收敛速度进行改进，并引入案例推理技术加强算法的动态寻优能力。实验结果表明，改进的人工蜂群算法在优化精度、迭代次数及动态寻优能力等方面取得了良好效果。

电主轴的热变形[9-10]是影响机床精密加工精度的关键因素。研究表明，热误差是影响数控机床加工精度的主要误差，约占整个误差源的(40～70)%[11]。物体由于温度的变化会出现热胀冷缩的现象，而衡量一种材料或物体的这种现象通常用热膨胀系数来描述。热膨胀系数受多种因素的影响，呈较强的非线性关系，且没有精确的数学模型进行描述，导致热膨胀系数选择多以经验值为准[12]。通过蜂群算法的强大寻优能力，提出一种新的优化策略，通过对热膨胀系数的优化，并提出了改进人工蜂群算法的电主轴热变形模型，对电主轴的热变形进行研究。

2 人工蜂群算法的改进

2.1 现有人工蜂群算法存在问题及改进策略

根据标准蜂群算法的描述，在初始化阶段采用如下(1)公式随机产生初始解；……