6.2.3　粒子群-人工蜂群混合优化算法

6.2.3　粒子群-人工蜂群混合优化算法

通过分析上述两种算法可以看出：PSO算法在进化后期，侧重于开采能力，局部搜索能力强，易陷入局部最优；而ABC牺牲了开采能力，侧重于提高开发探索能力，局部搜索能力弱但全局搜索能力较强。

本小节采用一种结合PSO算法和ABC的优势的混合优化算法，粒子群-人工蜂群混合优化算法。MABCPSO将种群随机地等分为两组，一组种群中的个体按照PSO算法进化寻优，另一组种群中的个体按照ABC进行寻优。为了保证该算法的探索开发能力，同时提高开采能力、加快寻优速度，在ABC中提出新的搜索方程：

式中，φij为［0，0.5］的随机数；gbestj 为两个种群的群体极值j维坐标。

新的搜索方程由于有群体极值gbest的引导，在保证探索开发能力的同时也提高了其开采能力。MABCPSO 在全局搜索能力和局部搜索能力之间建立了一个相对较好的平衡。

此外，在优化过程中，加入一种信息交流机制来交流搜寻信息，使信息能够在两个种群中传递，有助个体避免错误的信息判断而陷入局部最优。交流机制如下。

（1）粒子群算法中的gbest用两个种群中的最优个体来替换。

（2）人工蜂群算法中的xkj从采用PSO算法进化的种群中随机选取。

粒子群-人工蜂群混合优化算法的流程如图6.3所示。

图6.3　粒子群-人工蜂群混合优化算法的流程