人工蜂群算法的改進及其在經濟訂貨模型中的應用.pdf

1、經濟訂貨批量（Economy Order Quantity，EOQ）是通過平衡各種成本核算使得庫存總成本最低的訂貨量。經濟訂貨批量的計算過程中，需要估計訂單的數(shù)量以求得更加準確的結果。通過支持向量機（Support Vector Machine，SVM）能夠對過往的訂單數(shù)額進行計算，并預測之后訂單數(shù)額，進而求得經濟訂貨批量的數(shù)值。因此為使得支持向量機的學習效果更加準確，優(yōu)化支持向量機的方法現(xiàn)已成為熱點研究問題之一。
　　人工蜂群算

2、法是一種模擬蜜蜂采蜜行為的群體智能優(yōu)化算法，由于它具有控制參數(shù)少、易于實現(xiàn)、計算簡單、魯棒性強等優(yōu)點，處理包括優(yōu)化支持向量機在內的優(yōu)化問題時有著優(yōu)異的表現(xiàn)，已被越來越多的研究者所關注。人工蜂群算法主要存在兩個缺點：算法特別在處理復雜的優(yōu)化問題時容易陷入局部最優(yōu)和過早收斂；算法的探索能力較好，但開發(fā)能力不足，收斂速度較慢。本文從多個角度對人工蜂群算法進行改進，提高其在處理復雜優(yōu)化問題方面的尋優(yōu)性能，并在此基礎上，將算法應用于優(yōu)化支持向量機

3、以預測經濟訂貨批量模型中的訂單預測問題。本文的研究內容主要包括以下兩個方面：
　　一方面，為提高算法的優(yōu)化精度、局部搜索能力，基于現(xiàn)有的名為Bare-bones ABC和HBC的人工蜂群算法的改進算法，提出了一種混合的Bare-bones人工蜂群算法（Hybrid Bare-bones Artificial Bee Colony Algorithm，HBABC）。算法主要改進了以下兩個方面：針對算法容易陷入局部最優(yōu)的方面，引入了H

4、BC算法啟發(fā)自模擬退火算法的特性對蜜源更新的模型進行了改進；針對算法的收斂性不足的方面，通過啟發(fā)自Bare-bones ABC的傾向較優(yōu)個體進行搜索的特性對跟隨蜂選擇雇傭蜂的方式進行改進。算法通過上述兩個改進以提高收斂精度和優(yōu)化速度。通過使用10個測試函數(shù)進行了對比實驗，驗證了改進算法的有效性。
　　另一方面，本文將HBABC算法用于優(yōu)化支持向量機的兩個參數(shù)，并將優(yōu)化結果用于解決現(xiàn)有的實際問題——基于經濟訂貨批量模型的訂單數(shù)額及金