1、基于人工蜂群算法的协同优化方法研究摘要：复杂工程的设计（如飞行器总体优化设计）涉及多门学科 ， 需要用到多学科设计优化的相关技术 。
人工蜂群算法是一种新型的元启发式搜索算法 ， 具有简单、灵活、全局搜索能力强、鲁棒性等特点 。
探讨了协同优化方法的基本原理 ， 针对其一致性求解困难问题引入人工蜂群算法 ， 建立了基于人工蜂群算法的协同优化方法 ， 设计并实现了分布式优化框架 ， 实例测试结果表明 ， 该方法能够在一定程度上有效地解决多学科设计优化问题 。
关键词：人工蜂群算法；协同优化方法；多学科优化设计 中图分类号：TP30 文献标识码：A 文章编号：1674-098X（2016）01（a）-0000-00 引言 复杂系统优化 。

2、设计的数学描述是庞大的非线性优化问题 ， 飞行器的总体设计涉及到气动、结构、动力、控制等诸多学科 ， 各学科自身已形成完整的知识体系 ， 学科间的相互耦合又进一步增加了复杂度1 。
如果将所有学科知识都集中于一个优化过程 ， 优化问题将过于繁杂2 。
为解决这一困难 ， Sobieski J.和Kroo I.等陆续提出了一些对复杂系统进行分析及设计优化的方法 ， 多学科设计优化（Multidisciplinary Design Optimization ， MDO）便逐步形成3 。
目前主要有协同优化方法（Collaborative Optimization ， CO）、并行子空间方法和BLISS法等 。
其中 ， 协同优化方法是Kroo等人在 。

3、一致性约束优化算法基础上提出的一种多级MDO算法 ， 具有结构简单、算法收敛性可靠的特点 ， 得到了较广泛的重视和应用4 。
人工蜂群算法（Artificial Bee Colony ， ABC）是一种新型的仿生计算算法 ， 通过模拟蜂群采蜜过程中体现出的智能行为来实现对问题的求解5 。
1 协同优化方法 协同优化方法将复杂的工程设计问题分解成几个并行的子学科级问题 ， 每个学科的专家只需要建立本学科优化求解的约束集和学科分析工具 ， 独立地进行本学科计算模型的完善工作 ， 而系统设计的全局约束和优化的目标函数则由顶层协调部门来建立和完成 。
求解过程中 ， 每个子学科级都不考虑其他学科的情况 ， 在满足本学科约束的基础上最小化相容一致性 。

4、约束 ， 然后系统级在满足全局约束和相容一致性约束的情况下进行系统目标函数的最优化6 。
问题的迭代计算是系统目标函数不断最优和学科间的变量满足相容一致约束的过程 ， 系统级优化是在满足全局不等式约束和相容一致性约束下寻求系统目标函数的最优解 ， 学科级优化是在满足局部不等式约束和学科分析的要求下寻求兼容一致性约束的最小值 。
运用协同优化方法解决多学科设计优化问题时 ， 为了保证优化算法的可靠性 ， 要选用解决非线性能力强且对梯度的依赖性弱的优化方法 ， 不需要梯度信息的随机搜索算法如果能够保证计算效率将是比较理想的选择 。
在此 ， 选用基于外罚函数法的人工蜂群算法 。
2 人工蜂群算法 社会性动物群体的觅食行为体现出的群智能得 。

5、到了优化领域的关注 ， 通过模拟群体昆虫或者动物解决问题的行为 ， 设计出具有适应性、分布型、鲁棒性强的算法7 。
人工蜂群算法最早2005年由土耳其学者Dervis Karaboga提出 ， 在解决无约束优化问题上 ， 有着优于其他群智能算法的表现8 。
2.1 算法原理及模型 在人工蜂群算法中 ， 蜂群被分为三个工种：雇佣蜂（Employed Bee） ， 守望蜂（Onlooker）和侦查蜂（Scout）9 。
1） 算法随机产生一个种群数为SN的初始种群 ， 每个解（蜜源所在地） （i=1 ， 2 ， SN）都是一个D维的向量 ， D是优化过程中涉及到的变量的数目 。
雇佣蜂计算出每个初始蜜源的大小（目标函数）、适应度 。
根据公式（1）在初 。

6、始蜜源附近依照“贪婪选择”随机地寻找新蜜源 。
2） 雇佣蜂搜索完后在舞蹈区和守望蜂共享信息 ， 包括蜜源大小、位置及适应度 。
3） 守望蜂根据蜜源的适应度 ， 按照公式（2）并根据一定的概率选择蜜源 ， 按照“贪婪选择”进行搜寻 。
为了在一个蜜源的基础上产生新的位置 ， ABC算法根据如下公式进行位置的计算： 4） 在循环过程中 ， 记录蜜源位置未被更新的次数Bas ， 如果Bas超过预先设定的遗弃度（limit） ， 同时该源不是目前所有源中的最优解 ， 则视该源陷入局部最优 ， 这个蜜源将被放弃 ， 由侦查蜂随机找到的一个位置代替 。
若算法循环次数达到预先设定的次数或者目标函数值收敛 ， 计算结束 。

稿源：(未知)

【傻大方】网址：/a/2021/0821/0023864833.html

标题：基于|基于人工蜂群算法的协同优化方法研究