基于混沌鲶鱼效应的人工蜂群算法及应用
基于混沌鲶鱼效应的人工蜂群算法及应用
王生生１，２，杨娟娟１，２，柴 胜１，
２（１．吉林大学计算机科学与技术学院，吉林长春１３００１２；２．吉林大学符号计算与知识工程教育部重点实验室，吉林长春１３００１２）
摘 要： 针对目前人工蜂群算法的早熟收敛、陷入局部极值等问题，提出一种基于混沌鲶鱼效应的改进人工蜂
群算法．首先，采用随机性更高的混沌序列初始化蜂群以扩大其遍布范围；其次，集成了鲶鱼效应和混沌理论提出了混
沌鲶鱼蜂，并引入了它与跌入局部极值的蜂群之间的有效竞争协调机制，从而增进蜜蜂群体跳出局部最优解、加速收
敛的能力．支持向量机的学习能力主要取决于其惩罚因子Ｃ和核函数参数的合理选择，对其参数的优化可以提升其
学习效果，然而现行算法均存在一定局限性．基于我们提出的改进人工蜂群算法，对支持向量机的参数进行了优化．最
后，在ＵＣＩ（加州大学欧文分校）数据集和行为识别真实数据集上进行了测试，验证基于改进人工蜂群算法的支持向量
机具有更强的分类性能．
关键词： 人工蜂群算法；混沌理论；鲶鱼效应；支持向量机；行为识别
中图分类号： ＴＰ３１９ 文献标识码： Ａ 文章编号： ０３７２－２１１２（２０１４）０９－１７３１－０７
电子学报ＵＲＬ：ｈｔｔｐ：／／ｗｗｗ．ｅｊｏｕｒｎａｌ．ｏｒｇ．ｃｎ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０３７２－２１１２．２０１４．９．０１１
ＡｒｔｉｆｉｃｉａｌＢｅｅＣｏｌｏｎｙＡｌｇｏｒｉｔｈｍｗｉｔｈＣｈａｏｔｉｃＣａｔｆｉｓｈＥｆｆｅｃｔａｎｄＩｔｓＡｐｐｌｉｃａｔｉｏｎ
ＷＡＮＧＳｈｅｎｇ－ｓｈｅｎｇ１，２，ＹＡＮＧＪｕａｎ－ｊｕａｎ１，２，ＣＨＡＩＳｈｅｎｇ１，
２（１．ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＪｉｌｉｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ，Ｊｉｌｉｎ１３００１２，Ｃｈｉｎａ；
２．ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｙｍｂｏｌｉｃＣｏｍｐｕｔｉｎｇａｎｄＫｎｏｗｌｅｄｇｅＥｎｇｉｎｅｅｒｉｎｇｏｆＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ，ＪｉｌｉｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ，Ｊｉｌｉｎ１３００１２，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ： Ｔｈｅｒｅａｒｅｔｈｅｄｉｓａｄｖａｎｔａｇｅｓｏｆｅａｓｉｌｙｆａｌｌｉｎｇｉｎｔｏｐｒｅｍａｔｕｒｅｃｏｎｖｅｒｇｅｎｃｅａｎｄｌｏｃａｌｏｐｔｉｍａｌｓｏｌｕｔｉｏｎｗｈｉｃｈｔｈｅｅｌｅ－ｍｅｎｔａｒｙａｒｔｉｆｉｃｉａｌｂｅｅｃｏｌｏｎｙａｌｇｏｒｉｔｈｍｈａｄｉｎｓｏｍｅｄｅｇｒｅｅ．ＣｈａｏｔｉｃＣａｔｆｉｓｈｅｆｆｅｃｔｗａｓｈｅｎｃｅａｄｏｐｔｅｄｉｎｔｈｉｓｐａｐｅｒｔｏａｃｈｉｅｖｅｔｈｅｏｐ－
ｔｉｍｕｍｐｅｒｆｏｒｍａｎｃｅｏｆａｒｔｉｆｉｃｉａｌｂｅｅｃｏｌｏｎｙａｌｇｏｒｉｔｈｍ，ｉｎｗｈｉｃｈ，ｃｈａｏｔｉｃｍｅｃｈａｎｉｓｍｗａｓｃｏｎｄｕｃｔｅｄｔｏｉｎｓｔａｎｔｉａｔｅｅａｃｈｉｎｄｉｖｉｄｕａｌｏｆ
ｔｈｅｓｗａｒｍｆｉｒｓｔｌｙｏｗｉｎｇｔｏｉｔｓｍａｒｖｅｌｏｕｓｉｎｔｒｉｎｓｉｃｒａｎｄｏｍｎｅｓｓ．Ｔｈｅｎｔｈｅｅｆｆｉｃａｃｉｏｕｓｃｏｍｐｅｔｉｔｉｏｎａｎｄｃｏｏｒｄｉｎａｔｉｏｎｍｅｃｈａｎｉｓｍａｍｏｎｇ
ＣａｔｆｉｓｈｂｅｅｓｗｈｉｃｈｗｅｒｅｄｅｒｉｖｅｄｆｒｏｍｔｈｅｉｎｔｅｇｒａｔｉｏｎｏｆＣｈａｏｓｔｈｅｏｒｙｗｉｔｈＣａｔｆｉｓｈｅｆｆｅｃｔａｎｄｏｒｉｇｉｎａｌｓｗｅｒｅｉｎｔｅｎｄｅｄｔｏｂｏｏｓｔｔｈｅｃａ－ｐａｂｉｌｉｔｉｅｓｏｆｔｈｅｍｌｅａｐｉｎｇｏｕｔｏｆｌｏｃａｌｏｐｔｉｍａｌｓｏｌｕｔｉｏｎａｎｄｃｏｎｖｅｒｇｉｎｇｅｘｐｅｄｉｔｉｏｕｓｌｙ．ＴｈｅｐｒａｃｔｉｃａｂｉｌｉｔｙｏｆＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓ
（ＳＶＭ）ｉｓｅｘｃｅｓｓｉｖｅｌｙａｆｆｅｃｔｅｄｄｕｅｔｏｔｈｅｄｉｆｆｉｃｕｌｔｙｏｆｓｅｌｅｃｔｉｎｇａｐｐｒｏｐｒｉａｔｅｐｅｎａｌｔｙｆａｃｔｏｒＣａｎｄｋｅｒｎｅｌｆｕｎｃｔｉｏｎｐａｒａｍｅｔｅｒｏｆＳＶＭ．Ｃｏｎｖｅｒｓｅｌｙ，ａｌｌｏｆｔｈｅｃｏｍｍｏｎＳＶＭｐａｒａｍｅｔｅｒｓｏｐｔｉｍｉｚａｔｉｏｎｍｅｔｈｏｄｓｈａｖｅｔｈｅｉｒｒｅｓｐｅｃｔｉｖｅｄｉｓａｄｖａｎｔａｇｅｓｗｉｔｈｓｏｍｅｄｅｇｒｅｅｏｆｃｏｍ－ｐｅｔｅｎｃｅ．ＷｅｕｔｉｌｉｚｅｄｔｈｅｉｍｐｒｏｖｅｄａｒｔｉｆｉｃｉａｌｂｅｅｃｏｌｏｎｙａｌｇｏｒｉｔｈｍｔｏｏｐｔｉｍｉｚｅｔｈｅｔｗｏｐａｒａｍｅｔｅｒｓｏｆＳＶＭ，ｓｉｍｕｌｔａｎｅｏｕｓｌｙ，ｔｈｅｐｕｂｌｉｃ
ｄａｔａｓｅｔｓｆｒｏｍｔｈｅＵｎｉｖｅｒｓｉｔｙｏｆＣａｌｉｆｏｒｎｉａ－Ｉｒｖｉｎｅ（ＵＣＩ）ａｎｄｔｈｅａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎｒｅａｌｉｔｙｄａｔａｗｅｒｅｅｍｐｌｏｙｅｄｆｏｒｅｖａｌｕａｔｉｎｇｔｈｅｐｒｏ－ｐｏｓｅｄｍｏｄｅｌ．ＥｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｄｅｍｏｎｓｔｒａｔｅｔｈａｔｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｂｔａｉｎｅｄｂｙｔｈｅｄｅｖｅｌｏｐｅｄＳＶＭｗａｓｈｉｇｈｅｒ
Ｋｅｙｗｏｒｄｓ： ａｒｔｉｆｉｃｉａｌｂｅｅｃｏｌｏｎｙａｌｇｏｒｉｔｈｍ；ｃｈａｏｓｔｈｅｏｒｙ；ｃａｔｆｉｓｈｅｆｆｅｃｔ；ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ；ａｃｔｉｖｉｔｙｒｅｃｏｇｎｉｔｉｏｎ
１ 引言
人工蜂群算法（ＡｒｔｉｃｉａｌＢｅｅＣｏｌｏｎｙａｌｇｏｒｉｔｈｍ，ＡＢＣ）是
Ｋａｒａｂｏｇａ［１］于２００５年提出的一种求解函数优化问题的
进化算法，也是继蚁群算法（ＡｎｔＣｏｌｏｎｙＯｐｔｉｍｉｚａｔｉｏｎ，ＡＣＯ）、粒子群算法（ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）之后的又一新型群体智能随机优化算法．该算法控制参数
少、实现简单、计算简洁且在解决某些复杂问题上比ＡＣＯ和ＰＳＯ颇具优势，目前被广泛应用于多种研究领
域［２，３］
．然而，同ＡＣＯ算法、ＰＳＯ算法类似，随着迭代搜索接近尾声，蜂群个体的多样性及搜索速度会逐渐降低而种群整体出现早熟收敛、陷入局部极值的可能性却显著提高．鉴于混沌系统的类随机性、规律性及互不相关性等特征，文献［４～６］特将其作为一种提高各自算法性能的有效机制．本文一方面通过使用混沌映射方法代替原一般随机化方法初始化蜜蜂种群，在不失随机性的同时加强了蜂群的多样性；另一方面，则采用有别于文献［５，６］在收稿日期：２０１４－０１－１３；修回日期：２０１４－０３－２７；责任编辑：梅志强基金项目：国家自然科学基金项目（Ｎｏ．６１１３３０１１，Ｎｏ．６１３０３１３２，Ｎｏ．６１１０３０９１，Ｎｏ．６１２０２３０８）；吉林省科技发展计划项目（Ｎｏ．２０１４０１０１２０１ＪＣ，Ｎｏ．２０１２０１１３１）；教育部留学回国启动基金；吉林大学杰出青年基金 第９期
２０１４年９月电 子 学 报ＡＣＴＡＥＬＥＣＴＲＯＮＩＣＡＳＩＮＩＣＡＶｏｌ．４２ Ｎｏ．９Ｓｅｐ． ２０１４