技術(shù)特征：

1.一種基于改進(jìn)人工蜂群算法的工程約束參數(shù)優(yōu)化方法，其特征在于，該方法包括以下步驟：

步驟一：通過(guò)混沌算法確定參數(shù)向量即其取值范圍，用目標(biāo)函數(shù)和等式或不等式進(jìn)行描述；在實(shí)驗(yàn)區(qū)域范圍內(nèi)隨機(jī)投放足夠數(shù)量的蜜蜂，蜜蜂隨機(jī)搜索路徑時(shí)會(huì)不斷更新信息素矩陣，利用蜂群算法的正反饋性，最終產(chǎn)生的信息素矩陣，從而確定蜂源的位置。初始的信息素矩陣不能為0，蜜蜂轉(zhuǎn)移將不能開(kāi)始，所以要采用隨機(jī)矩陣作為信息素矩陣初始化。蜜蜂下一步要走的位置，由轉(zhuǎn)移概率決定。

$p_{(l,m)(i,j)}^n=\frac{{\[{\mathrm{\τ}}_{i,j}^{n-1}\]}^{\mathrm{\α}}\·{\[{\mathrm{\η}}_{i,j}\]}^{\mathrm{\β}}}{\underset{(i,j)\∈\mathrm{\Ω}(l,m)}{\Σ}{\[{\mathrm{\τ}}_{i,j}^{n-1}\]}^{\mathrm{\α}}\·{\[{\mathrm{\η}}_{i,j}\]}^{\mathrm{\β}}}$

步驟二：根據(jù)步驟一中確定的參數(shù)向量的個(gè)數(shù)和取值范圍，初始化人工蜂群，確定最大限制迭代次數(shù)Limit、最大循環(huán)次數(shù)c及搜索目標(biāo)參數(shù)個(gè)數(shù)N，令引領(lǐng)蜂在初始位置領(lǐng)域內(nèi)隨機(jī)地搜索蜜源；

所涉及的引領(lǐng)蜂初始位置表達(dá)式為：

式中，Ri_j為0到1之間的隨機(jī)數(shù)，N為0到1之間的設(shè)定值；i＝1....N，j＝1...N,V為蜜源的個(gè)數(shù)，為第j個(gè)參數(shù)的最小取值，為第j個(gè)參數(shù)的最大取值，rand(0,1)表示0到1范圍內(nèi)的隨機(jī)數(shù)；

引領(lǐng)蜂初始位置領(lǐng)域L的位置表達(dá)式為：

其中，w_ij為引領(lǐng)蜂初始位置，l_ij為引領(lǐng)蜂領(lǐng)域搜索位置，φ_ij為參數(shù)搜索步長(zhǎng)，取值范圍為[-F,F],F為0到1之間的隨機(jī)數(shù)；

F的表達(dá)式為：

$F_i\left(t\right)=\left\{\begin{array}{ccc}{F}_{i-1}\left(t\right)*(1+cos\mathrm{\φ}),& if& cos\mathrm{\φ}\>0\\ F_{i-1}\left(t\right)/(2-cos\mathrm{\φ}),& if& cos\mathrm{\φ}\<0\end{array}\right.$

步驟三：以概率P選取步驟一中由混沌算法確定的參數(shù)作為調(diào)整對(duì)象，引入概率P控制搜索過(guò)程中矩陣向量中參數(shù)的個(gè)數(shù)，并適當(dāng)?shù)母淖儾介L(zhǎng)參數(shù)F，首先由引領(lǐng)蜂在當(dāng)前蜜源鄰域內(nèi)隨機(jī)搜索新的蜜源，獲取個(gè)蜜源的代價(jià)函數(shù)值q_i,由q_i計(jì)算適應(yīng)度函數(shù)值Q_i,在當(dāng)前搜索的位置Q_i大于q_i時(shí)，則轉(zhuǎn)移到其它為去過(guò)的蜜源，引領(lǐng)蜂將在新的蜜源附近搜索并記錄Q_i較大的蜜源位置信息；

所涉及的M表達(dá)式為：

M＝e^-a·b/c

其中，b為蜂群循環(huán)次數(shù)，c為最大循環(huán)次數(shù)，a為控制參數(shù)；

所涉及的適應(yīng)度函數(shù)值fit_i表達(dá)式為：

$Q_i=\left\{\begin{array}{ccc}1/(1+q_i)& if& q_i\≥0\\ 1+abs\left(q_i\right)& if& q_i\<0\end{array}\right\}$

式中，abs()為取絕對(duì)值函數(shù)；

步驟四：待所有引領(lǐng)蜂搜索結(jié)束，根據(jù)各引領(lǐng)蜂所在蜜源的適應(yīng)度函數(shù)值Q_i，得到跟隨蜂轉(zhuǎn)至各蜂源概率P_i，依據(jù)概率進(jìn)行位置更新，并記錄每次蜂群迭代搜索過(guò)程中的適應(yīng)度函數(shù)值最大的蜜源位置w_best；

所涉及的轉(zhuǎn)移概率P_i表達(dá)式為：

$P_i=e^{-a\·b/c}\·\frac{Q_i}{\underset{i=1}{\overset{N}{\Σ}}{Q}_i}+(1-e^{-a\·b/c})\·\frac{Q_i-Q_{\min }}{\underset{i=1}{\overset{N}{\Σ}}(Q_i-Q_{\min })}$

其中，Q_min為本次循環(huán)后適應(yīng)度函數(shù)值最小值，a為調(diào)整因子；

步驟五：重復(fù)步驟三、步驟四，經(jīng)過(guò)有限循環(huán)搜索，得到參數(shù)的最有估計(jì)值。

當(dāng)?shù)螖?shù)大于最大限制迭代次數(shù)Limit時(shí)，要放棄所在蜜源，同時(shí)由偵查蜂代替引領(lǐng)蜂產(chǎn)生一個(gè)新的位置。

2.根據(jù)權(quán)利要求書(shū)所述的基于改進(jìn)人工蜂群算法的工程約束參數(shù)優(yōu)化方法，其特征在于，當(dāng)?shù)螖?shù)大于最大限制迭代次數(shù)Limit時(shí)，要放棄所在蜜源，同時(shí)由偵察蜂代替引領(lǐng)蜂產(chǎn)生一個(gè)新的位置。

根據(jù)權(quán)利要求書(shū)所述的基于改進(jìn)人工蜂群算法的工程約束參數(shù)優(yōu)化方法，其特征在于，當(dāng)參數(shù)超出其最大取值范圍時(shí)，將該參數(shù)設(shè)定為該邊界的最大值或最小值。