赵新秋, 段思雨, 马学敏

(燕山大学,河北秦皇岛 066004)

1 引 言

随着工业生产能力的进步以及科学工艺的发展,在优化此类问题中往往需要多目标优化算法对多个冲突的目标同时进行优化,来获得一组权衡的解集.目前,多目标进化算法(MOEAs)[1−4]相继提出去解决复杂的非线性多目标优化问题,现已应用于参数优化[5−8]、车间调度[9]和数据挖掘[10,11]等领域,并取得了良好的效果.

人工蜂群算法(artificial bee colony algorithm)是一种仿生学群智能算法,该算法通过模拟蜜蜂采蜜的一系列过程,来解决现实中的复杂优化问题[12,13].由于其结构简单、易于实现且拥有较快的收敛速度,最初广泛应用于数值优化问题.目前,国内外学者对人工蜂群算法的改进主要包括加快算法收敛速度以及提高算法的多样性和分布性.

1)提高算法多样性和分布性.

单娴等[14]通过种群个体在搜索过程中自适应选择最佳搜索方式,提出一种复数编码的多策略人工蜂群算法,改善了种群的多样性;Akay[15]利用支配关系和非支配排序方法提出S-MOABC算法,结果表明算法能够获得一组分布性良好的解集;Yi 等[16]利用多重模型和动态信息交换策略,提出了一种动态多群体多目标人工蜂群算法.在此基础上提出一种基于分解的人工蜂群算法[17],将分解的思想引入蜂群算法中,对比其他算法能够取得一组分布性更好的解集;Luo 等[18]提出了一种基于评价指标的多目标人工蜂群算法,利用支配关系和偏好信息将每一代产生的非支配解……