人工蜂群算法在重力坝断面优化设计中的应用

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (11): 223-225.

人工蜂群算法在重力坝断面优化设计中的应用

苏国韶，钱坤

广西大学土木建筑工程学院，南宁 530004

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-04-11 发布日期:2011-04-11

Optimal design of gravity dam section using artificial bee colony algorithm

SU Guoshao，QIAN Kun

School of Civil Engineering and Architecture，Guangxi University，Nanning 530004，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-04-11 Published:2011-04-11

摘要/Abstract

摘要： 人工蜂群算法是一种新型的群智能优化算法，对于处理复杂的非线性多峰值优化问题具有很好的适用性。对三种典型测试函数进行性能测试，与粒子群优化算法相比较，人工蜂群算法的适应度函数评价次数明显较少，对求解多峰值优化问题具有较好的适应性，将人工蜂群算法应用于重力坝断面优化设计，研究结果表明，该方法是可行的，具有寻优效率高且易于实现的优点。

关键词: 结构优化, 重力坝, 全局优化, 人工蜂群算法

Abstract:

Artificial Bee Colony（ABC） algorithm is a newly swarm intelligence optimization algorithm.It has become a powerful tool for solving highly nonlinear multi-peak optimization problems.The results of performances testing using three benchmark functions show that the numbers of evaluation for fitness function of ABC are obviously less than that using particle swarm optimization algorithm.Thus，ABC has better suitability for solving multi-modal optimization problems.Finally，ABC algorithm is applied to the design optimization of gravity dam section.The result shows that the artificial bee colony algorithm is feasible and has the advantages of high efficiency and easy implementation.

Key words: structural opti ization, gravity da , global opti ization, artificial bee colony algorith

苏国韶，钱坤. 人工蜂群算法在重力坝断面优化设计中的应用[J]. 计算机工程与应用, 2011, 47(11): 223-225.

SU Guoshao，QIAN Kun. Optimal design of gravity dam section using artificial bee colony algorithm[J]. Computer Engineering and Applications, 2011, 47(11): 223-225.

[1]	杜垚. 结合局部优化匹配的Android恶意家族检测算法[J]. 计算机工程与应用, 2021, 57(8): 84-90.
[2]	李雨鑫，李悦悦. 面向JIT采购的多目标车辆调度[J]. 计算机工程与应用, 2021, 57(12): 263-272.
[3]	李顺东，游晓明，刘升. 结合ABC算法动态分级的双蚁态蚁群算法[J]. 计算机工程与应用, 2020, 56(12): 37-46.
[4]	方建文，黄钢，曹文明. 笔触风格化技术研究综述[J]. 计算机工程与应用, 2019, 55(9): 33-37.
[5]	宋晓宇，高明海，赵明. 具有自适应搜索策略的混合人工蜂群算法[J]. 计算机工程与应用, 2019, 55(22): 53-59.
[6]	浦玉学，舒鹏飞，蒋祺，陈卫中. 工业机器人时间-能量最优轨迹规划[J]. 计算机工程与应用, 2019, 55(22): 86-90.
[7]	王贞，李旭飞. 求解约束优化问题的自适应人工蜂群算法[J]. 计算机工程与应用, 2019, 55(15): 47-58.
[8]	张维存，张曼. 面向连续生产的供应链联合调度及算法[J]. 计算机工程与应用, 2019, 55(13): 246-253.
[9]	张戈，王建林. 基于混合ABC和CRO的高维特征选择方法[J]. 计算机工程与应用, 2019, 55(11): 93-101.
[10]	连玮. 采用树表示的全局最优形状匹配算法[J]. 计算机工程与应用, 2019, 55(1): 217-225.
[11]	魏锋涛，岳明娟，郑建明. 基于多策略融合的改进人工蜂群算法[J]. 计算机工程与应用, 2018, 54(5): 111-116.
[12]	刘明辉1，李炜2. 基于knee points的改进多目标人工蜂群算法[J]. 计算机工程与应用, 2018, 54(2): 40-47.
[13]	黄亚飞，王国富，张法全，叶金才. 基于蜂群算法和带参阈值函数的图像去噪方法[J]. 计算机工程与应用, 2018, 54(17): 164-168.
[14]	张伟灿，何选森. 基于改进蜂群聚类的欠定盲源分离[J]. 计算机工程与应用, 2018, 54(17): 243-248.
[15]	钱武文，柴军瑞，张子映，谈然. 基于反射变异策略的自适应差分进化算法[J]. 计算机工程与应用, 2018, 54(15): 161-168.