刘 炼,付绍昌,黄辉先

(湘潭大学自动化与电子信息学院,湖南 湘潭 411105)

1 引言

高维函数优化问题在理论研究和实际生产过程中具有很重要的应用价值，许多问题可通过数学建模转换为最优问题，如物流配送路径优化的研究[1]、高铁动态调度方法问题[2]和多分类孪生支持向量机参数优化问题[3]。高维复杂函数优化通常是指维度超过100维的函数优化问题，而随着维度的增加，问题的局部最优值也会增加，其计算复杂度也会呈指数级增长[4]，解决问题的难度也随之加大。

近年来随着群体智能SI(Swarm Intelligence)算法的兴起，遗传算法GA(Genetic Algorithm)、粒子群优化PSO( Particle Swarm Optimization)算法和人工蜂群ABC(Artificial Bee Colony)算法等相继被提出。郭佳等[5]提出一种优化的马尔可夫链人工蜂群算法，通过马尔可夫链对第一阶段产生的解空间进行重构，减少了人工蜂群算法的随机性，同时避免了因依赖某一最优值导致的算法早熟。冯璋等[6]提出一种二维主成分分析法与主成分分析法结合与改进灰狼优化算法共同优化支持向量机的人脸识别方法，以减少提取特征的维度和提取时间,从而缩短了支持向量机所需的识别时间，为了提高灰狼优化算法的全局搜索能力,引用精英反向学习策略初始化种群。在光伏大规模故障系统中，标记数难以记录，Huang等[7]提出了一种结合人工蜂群算法和半监督极限学习机的新算法来解决该问题。随着社会的进步，问题复杂程度不断增加，为进一步检测算法的综合能力，近几年研究人员提出了更复杂的测试函数，如CEC(Congress on Evolutionary Computation)2013、CEC2014等。……