【库存控制】基于matlab蜜蜂算法求解库存控制优化问题【含Matlab源码 2639期】

库存控制】基于matlab蜜蜂算法求解库存控制优化问题【含Matlab源码 2639期】"/>

【库存控制】基于matlab蜜蜂算法求解库存控制优化问题【含Matlab源码 2639期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、蜜蜂算法简介

1 什么是人工蜂群算法？
人工蜂群算法是模仿蜜蜂行为提出的一种优化方法，是集群智能思想的一个具体应用，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度。为了解决多变量函数优化问题，Karaboga提出了人工蜂群算法ABC模型(artificial bee colony algorithm)。
人工蜂群算法属于群智能算法的一种，其受启发于蜜蜂的寻蜜和采蜜过程，相比于常见的启发式算法，它的优点在于其使用了较少的控制参数，并且鲁棒性强，在每次迭代过程中都会进行全局和局部的最优解搜索，因此能够找到最优解的概率大大增加。

相比于遗传算法来说，人工蜂群算法在局部的收敛和寻优能力上要更为出色，不会出现遗传算法的“早熟”现象，并且算法的复杂度也较低。但由于遗传算法有交叉以及变异的操作，因此遗传算法在全局最优值的搜索上要优于人工蜂群算法。此外，人工蜂群算法适用于进行连续函数的全局优化问题，而不适用于一些离散函数。

2 蜜蜂的采蜜机制
蜜蜂具有群智能应必备的两个条件：自组织性和分工合作性。虽然单个蜜蜂的行为很简单，但是由单个蜜蜂所组成的群体却能够表现出极其复杂的行为，它们可以在任何复杂的环境下以很高的效率从花朵中采集花蜜，同时还能够很快的适应环境的改变。

任务分工
人工蜂群算法就是模拟蜜蜂的采蜜过程而提出的一种新型智能优化算法，它也是由食物源、雇佣蜂和非雇佣蜂三部分组成。

食物源：食物源即为蜜源。在任何一个优化问题中，问题的可行解都是以一定形式给出的。在人工蜂群算法中，食物源就是待求优化问题的可行解，是人工蜂群算法中所要处理的基本对象。食物源的优劣即可行解的好坏是用蜜源花蜜量的大小即适应度来评价的。

雇佣蜂：雇佣蜂即为引领蜂(采蜜蜂)与食物源的位置相对应，一个食物源对应一个引领蜂。在人工蜂群算法中，食物源的个数与引领蜂的个数相等；引领蜂的任务是发现食物源信息并以一定的概率与跟随蜂分享；概率的计算即为人工蜂群算法中的选择策略，一般是根据适应度值以轮盘赌的方法计算。

非雇佣蜂：非雇佣蜂包括跟随蜂(观察蜂)和侦査蜂跟随蜂在蜂巢的招募区内根据引领蜂提供的蜜源信息来选择食物源，而侦查蜂是在蜂巢附近寻找新的食物源。在人工蜂群算法中，跟随蜂依据引领蜂传递的信息，在食物源附近搜索新食物源，并进行贪婪选择。若一个食物源在经过次后仍未被更新，则此引领蜂变成侦査蜂，侦查蜂寻找新的食物源代替原来的食物源。

采蜜机制
在蜜蜂群体智能形成的过程中，蜜蜂之间的信息交流是最重要的环节，而舞蹈区是蜂巢中最重要的信息交换地。采蜜蜂在舞蹈区通过跳摇摆舞与其他蜜蜂共同分享食物源的信息，观察蜂则是通过采蜜蜂所跳的摇摆舞来获得当前食物源的信息的，所以，观察蜂要以最小的资源耗费来选择到哪个食物源采蜜。因此，蜜蜂被招募到某个食物源的概率与食物源的收益率成正比。

初始时刻，蜜蜂的搜索不受任何先验知识的决定，是完全随机的。此时的蜜蜂有以下两种选择：
它转变成为侦察蜂，并且由于一些内部动机或可能的外部环境自发地在蜂巢附近搜索食物源；
在观看了摇摆舞之后，它可能被招募到某个食物源，并且开始开采食物源。
在蜜蜂确定食物源后，它们利用自己本身的存储能力来记忆位置信息并开始采集花蜜。此时，蜜蜂将转变为“雇佣蜂”。蜜蜂在食物源处采集完花蜜，回到蜂巢并卸下花蜜后有如下选择：
放弃食物源成为非雇佣蜂；
跳摇摆舞为所对应的食物源招募更多的蜜蜂，然后回到食物源采蜜；
继续在同一食物源采蜜而不进行招募。
蜜蜂在采蜜时所表现出来的这种自组织性和合理分配性主要由其自身的基本性质所决定的，它们所特有的基本性质如下：
正反馈性：食物源的花蜜量与食物源被选择的可能性成正比；
负反馈性：蜜蜂停止对较差食物源的开采过程；
波动性：在某个食物源被放弃时，随机搜索一个食物源替代原食物源；
互动性：蜜蜂在舞蹈区与其他蜜蜂共同分享食物源的相关信息。

3 蜂群算法的原理及流程
标准的ABC算法通过模拟实际蜜蜂的采蜜机制将人工蜂群分为3类: 采蜜蜂、观察蜂和侦察蜂。整个蜂群的目标是寻找花蜜量最大的蜜源。在标准的ABC算法中，采蜜蜂利用先前的蜜源信息寻找新的蜜源并与观察蜂分享蜜源信息；观察蜂在蜂房中等待并依据采蜜蜂分享的信息寻找新的蜜源；侦查蜂的任务是寻找一个新的有价值的蜜源，它们在蜂房附近随机地寻找蜜源。

算法原理
假设问题的解空间是D维的，采蜜蜂与观察蜂的个数都是SN，采蜜蜂的个数或观察蜂的个数与蜜源的数量相等。则标准的ABC算法将优化问题的求解过程看成是在D维搜索空间中进行搜索。每个蜜源的位置代表问题的一个可能解，蜜源的花蜜量对应于相应的解的适应度。一个采蜜蜂与一个蜜源是相对应的。与第i个蜜源相对应的采蜜蜂依据如下公式寻找新的蜜源：

算法流程
人工蜂群算法具体实现步骤：
初始化种群解 ；
计算种群中各个蜜蜂的适应值；
重复一下步骤，知道满足终止条件：
采蜜蜂根据(1)产生新的解 并计算适应值；
采蜜蜂根据贪心策略选择蜜源；
根据(2)式计算选择蜜源 的概率 ；
观察蜂根据概率 选择蜜源 ，根据(3)式在该蜜源附近产生新的蜜源 ，并计算新蜜源 的适应值；
观察蜂根据贪心策略选择蜜源；
决定是否存在需要放弃的蜜源，如果存在，则随机产生一个蜜源替代它；
记录最优解直至满足终止条件输出最优解；

⛄二、部分源代码

%% Optimal Inventory Control (OIC) by Bees Algorithm

% There are two products or items in 5-time unit with an initial inventory
% level of zero and a maximum capacity of 400. The system must make a balance
% between order amount and inventory amount without passing maximum capacity
% of 400 at the end of the run.
% Lower Maintenance Costs, the better.

clc;
clear;
close all;

%% Problem Definition
model=CreateModel2(); % Create Model

model.Umax=400;

CostFunction=@(xhat) MyCost(xhat,model); % Cost Function
VarSize=[model.K model.H]; % Size of Decision Variables Matrix
nVar=prod(VarSize); % Number of Decision Variables

VarMin=0; % Lower Bound of Variables
VarMax=1; % Upper Bound of Variables

%% Bees Algorithm Parameters

MaxIt = 100; % Maximum Number of Iterations
nScoutBee = 100; % Number of Scout Bees

nSelectedSite = round(0.5nScoutBee); % Number of Selected Sites
nEliteSite = round(0.4nSelectedSite); % Number of Selected Elite Sites
nSelectedSiteBee = round(0.5nScoutBee); % Number of Recruited Bees for Selected Sites
nEliteSiteBee = 2nSelectedSiteBee; % Number of Recruited Bees for Elite Sites
r = 0.1*(VarMax-VarMin); % Neighborhood Radius
rdamp = 0.95; % Neighborhood Radius Damp Rate

%% Initialization

% Empty Bee Structure
empty_bee.Position = [];
empty_bee.Cost = [];
empty_bee.Sol = [];

% Initialize Bees Array
bee = repmat(empty_bee, nScoutBee, 1);

% Create New Solutions
for i = 1:nScoutBee
bee(i).Position = unifrnd(VarMin, VarMax, VarSize);
[bee(i).Cost bee(i).Sol] = CostFunction(bee(i).Position);
end

% Sort
[~, SortOrder] = sort([bee.Cost]);
bee = bee(SortOrder);

% Update Best Solution Ever Found
BestSol = bee(1);

% Array to Hold Best Cost Values
BestCost = zeros(MaxIt, 1);

%% Bees Algorithm Main Loop

for it = 1:MaxIt

% Elite Sites
for i = 1:nEliteSite

bestnewbee.Cost = inf;

for j = 1:nEliteSiteBee
newbee.Position = PerformBeeDance(bee(i).Position, r);
[newbee.Cost newbee.Sol] = CostFunction(newbee.Position);
if newbee.Cost<bestnewbee.Cost
bestnewbee = newbee;
end
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]柳寅,马良.模糊人工蜂群算法的旅行商问题求解[J].计算机应用研究. 2013,30(09)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合