新算法有助于优化控制策略

卡迪夫大学制造工程中心(MEC)的研究人员最新开发的优化策略可以使控制系统设计师更好地实现“物有所值”的目标。这种方法被称为蜜蜂算法，它采用了一种在自然界中使用的策略，当蜜蜂群体试图在任何给定时间将它们的蜂蜜采集资源集中到最有希望的可用领域时。研究人员的贡献是应用该策略为许多自动控制设置找到最有效的一组值。

确定单个控制输入的最佳设置相当简单，但当系统包含大量相互交互的输入时，优化很快就成为一项艰巨的任务，如果不是不可能的话。Bee算法在多维表面上组织搜索，以找到产生绝对最大峰值优化参数值的位置，即使存在许多较低值的局部最大值。

研究人员研究了蜜蜂如何为他们的“buck”(采集工作)寻找最好的“bang”(即最多的花蜜)。算法参数包括花蜜密度、生产的花蜜质量、花斑的大小和离巢的飞行距离。这些参数一起卷积，产生一个优化参数，表明每个特定补丁的适应度。蜂房可以通过派遣最多的工蜂到最适合的地方采集蜂蜜来最大限度地生产蜂蜜。

蜂巢首先派出一群侦察蜂，随机寻找有前景的田地。然后这些侦察兵带回报告，他们通过著名的“摇摆舞”与蜂巢的其他成员交流。

然后蜂群重新分配资源，派出更多的侦察兵来评估最有希望的地点周围的位置，并派出更少的侦察兵继续随机搜索。随着蜂蜂而来的报道，打算采集花蜜的工蜂集中在最有希望的地方。

该策略直接转化为优化系统控制。面对用于最大化系统输出的多个交互控制(无论是保持飞机的预期飞行路线，药品的质量，还是炼油厂的馏分混合)，优化参数在数学空间中形成一个曲面，其维度是控制输入值。这种地表通常具有复杂的地形，有许多局部的山峰、山谷、山脊等。优化任务是找到最大的峰。

在已知条件下，蜜蜂通过聚集到最有希望的地点，最大限度地提高生产力。通过以简化的形式继续随机搜索，它们提供了很大的几率，最终将覆盖任何以前被忽视的好位置。

面对不断变化的形势，这一战略也是稳健的。例如，当工蜂在最有希望的地方耗尽花蜜时，这个地方就变得不那么有希望了。持续向蜂巢报告自动跟踪该更改。随着时间的推移，该位置的适合度会下降到低于下一个最有希望的位置的适合度。蜂群自动重新分配资源(修改控制设置点)，集中在最有希望的位置上。

MEC的研究人员由博士生Afshin Ghanbarzadeh领导，他们分析了蜜蜂的策略，并将其开发成一种计算机算法，他们在大学最近基于互联网的创新生产和机器会议上发表了一篇演讲。这篇题为“蜜蜂算法-复杂优化问题的新工具”的论文详细介绍了算法背后的数学原理，以及如何将其应用于控制优化。本文演示了使用它来优化二维和六维的标准测试函数，并与其他四种多维优化策略相比，展示了总共八个测试函数的结果。

实验结果表明，该算法在所有情况下都能获得绝对最优结果。也就是说，它总是在n-空间中找到产生优化参数的最高局部最大值的位置，而不会陷入不太优的局部最大值。当然，继续使用随机搜索组件使这个结果成为可能。如果搜索锁定到次优局部最大值，随机组件继续搜索该局部最大值之外，最终定位到更好的峰值。

快速找到最优参数集是可能的。在大多数情况下，蜜蜂算法以更少的试验数量级找到最佳最大值。当然，这使得该策略在条件不断变化、需要不断重新优化的现实环境中非常有用。

需要持续的重新优化有两个原因:改变外部条件或改变系统需求。第一个对应于上面的例子，其中被控制的系统的活动改变了优化参数曲面(最适场的适应度)。第二个对应于系统输出需求的变化。

例如，炼油厂产量的价值不仅取决于产品组分的相对数量，还取决于对这些组分的需求如何随时间变化。在北纬春季，这种混合应该有利于汽油生产，以预测夏季驾驶季节。然而，在夏末和秋季，这种混合应该转向更多的取暖油生产，以预测冬季供暖季节。

航空航天工业提供了一个例子，这两个因素都会影响最优控制输入。美国陆军尤马试验场的研究人员一直在研究一种通过高空降落伞精确投放物资的系统。在下降过程中，降落伞会穿过不同风速和风向的多层大气。系统在释放时预先规划最佳路径，然后在下降过程中提供修正。显然，随着降落伞在不同的风层中下降，控制设定值会发生变化。这些层的风速也可能随着时间而变化。

蜜蜂算法适用于并行处理和神经网络。这两种架构都通过同时解决一个问题的多个示例来提高处理速度。蜜蜂算法以同样的方式工作:多个示例(蜜蜂)同时探索优化曲面。每只“蜜蜂”都独立评估表面上的不同位置。

要在线查看原始演示文稿，请点击这里。这次演讲引起了大量的评论和后续出版物，你可以在你最喜欢的搜索引擎中输入“蜜蜂算法”来找到它们。

- - - - - -查理·马西，控制工程，资深编辑

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。