基于排名映射概率的混沌人工蜂群算法

针对人工蜂群算法(artificialbeecolonyalgorithm,abc)因直接采用函数值映射的概率选择食物源而引起过早收敛和陷入局部最优以及优化精度不高的问题,提出一种基于排名映射概率的混沌人工蜂群算法(chaoticartificialbeecolonyalgorithmbasedonrankmappingprobability,cabc-r)。首先利用目标函数值的排名映射获取选择食物源的概率,然后构建基于排名映射概率的人工蜂群算法以便能够维持种群的多样性,获得较好的全局最优解,最后创建较高寻优精度的新型局部混沌优化算法精确寻找最优解。对10个标准测试函数进行了仿真,结果表明,cabc-r算法不仅优化效果更准确而且更能跳出局部最优,有效地找到全局最优解,优于标准的abc、jade、msep和rabc算法。