摘要: 随着科技的进步，演化算法在工程实践中发挥着越来越重要的作用。人工蜂群算法是一种较有潜力的演化算法，具有结构简单、参数较少、易于实现等特点。然而，基本人工蜂群算法开采能力较弱，导致它在求解一些复杂问题时收敛速度较慢，解的精度有待提升... 展开 随着科技的进步，演化算法在工程实践中发挥着越来越重要的作用。人工蜂群算法是一种较有潜力的演化算法，具有结构简单、参数较少、易于实现等特点。然而，基本人工蜂群算法开采能力较弱，导致它在求解一些复杂问题时收敛速度较慢，解的精度有待提升。精英知识是种群中的精英个体在演化进程中通过自学习得到的对问题的认识。种群个体若能在自学习的基础上利用精英知识，则有助于加强算法开采能力。本论文就基于精英知识引导的学习方式，做了如下工作： （1）提出精英中心知识引导的人工蜂群算法。针对基本人工蜂群算法在求解一些复杂优化问题时存在着开采能力较弱、运行效率较低的缺点，精英中心知识引导的人工蜂群算法利用精英知识确定组合权值，构建出精英中心个体，并设计精英中心个体引导的搜索策略，利用精英中心个体为算法提供较优越的搜索方向。在测试实验中，设计了7种变体算法来验证新搜索策略的有效性，并将精英中心知识引导的人工蜂群算法与8种现有的人工蜂群算法，6种差分进化算法以及5种粒子群优化算法进行了性能比较。实验结果表明：精英中心知识引导的人工蜂群算法能够增强开采能力，提升算法搜索效率。 （2）提出双重精英知识引导的人工蜂群算法。针对基本人工蜂群算法搜索缺乏引导，导致局部搜索能力较弱的问题，双重精英知识引导的人工蜂群算法提出一种引导个体构建机制，让种群中的核心个体利用精英知识构建核心主导个体，让当前个体所处邻域的成员个体利用精英知识构建邻域领导个体。利用核心主导个体和邻域领导个体的引导性，提出双重引导的搜索策略来提升算法的局部搜索能力。在13个典型的基准测试函数以及15个带旋转和偏移的CEC2015测试函数上验证算法性能，实验结果表明：双重精英知识引导的人工蜂群算法是一种具有竞争力的新算法。 （3）从数值实验比较精英中心知识引导的人工蜂群算法和双重精英知识引导的人工蜂群算法。将提出的两种基于精英知识引导的新算法，分别从收敛精度和运行速度两个方面做进一步比较。实验结果表明：精英中心知识引导的人工蜂群算法和双重精英知识引导的人工蜂群算法在测试函数上都有较好的性能，双重精英知识引导的人工蜂群算法在解决单峰问题或多峰问题时更能凸显优势，在带旋转和偏移的复杂函数上两种算法各有所长，精英中心知识引导的人工蜂群算法在大多数问题上的运行速度较快。 收起