基于改进的人工蜂群算法的漏磁检测缺陷重构方法

摘要

本发明涉及一种基于改进的人工蜂群算法的漏磁检测缺陷重构方法，采用径向基函数神经网络作为前向模型，以前向模型预测的漏磁信号与实测漏磁信号的误差平方和作为目标函数，改进人工蜂群算法，引入当前个体最优解和全局最优解用来加快算法收敛速度，将改进的人工蜂群算法作为求解重构问题的迭代算法，最终得到的全局最优解即为重构的缺陷轮廓。本发明提高了漏磁检测缺陷重构的速度与精度。

主权项

一种基于改进的人工蜂群算法的漏磁检测缺陷重构方法，其特征在于，具体包括如下步骤：1)初始化算法参数及蜜源位置，并设定最大迭代数，设置初始蜜源，随机产生F_N个初始蜜源$x_{\mathrm{ij}}=x_j^{\min }+\mathrm{rand}(x_j^{\max }-x_j^{\min }),i=\mathrm{1,2},...F_N,j=\mathrm{1,2},...,D,$式中的rand为[0,1]的随机值，x_ij为第i个蜜源的第j维的值，分别为j维的最大值和最小值，D表示维度；2)设定当前迭代次数为1；3)计算各蜜源的适应度值，采用改进的人工蜂群算法对蜜源的位置进行更新，具体包括：301)对蜜源按下式计算对应的适应度fitness值：${\mathrm{fitness}}_i=\left\{\begin{array}{c}\frac{1}{1+f\left(x_1\right)},f\left(x_i\right)\ge 0\\ 1+\left|f\left(x_i\right)\right|,f\left(x_i\right)<0\end{array}\right.,i=\mathrm{1,2},...,F_N$其中f(x_i)是以测量的漏磁信号与RBFNN预测的漏磁信号间的误差平方和为目标函数：$f=\underset{j=1}{\overset{D}{\Sigma }}{(Z_j-Y_j)}^2$式中D为漏磁信号的维度，Z＝[Z₁,Z₂,...,Z_D]是实测漏磁信号，Y＝[Y₁,Y₂,...,Y_D]是RBFNN预测的漏磁信号，Z_j与Y_j分别为第j维实测漏磁信号与预测漏磁信号；302)通过比较适应度值的大小，得到当前个体最优解pbest_i和全局最优解gbest，当前个体最优解pbest_i为第i个蜜源在迭代中适应度值最大的解，全局最优解gbest为所有蜜源在迭代中适应度值最大的解；303)采蜜蜂按改进的下式搜索蜜源，并计算fitness，若蜜源质量变好则更新蜜源当前位置、pbest_i和gbest的值并将计数变量counter_i置0，否则采蜜蜂当前位置不变将counter_i加1，其中t为当前迭代次数；j∈{1,2,...,D}，k∈{1,2,...F_N}，j、k为其值域内的随机取值，且k1i；x_kj为第k个蜜源的第j维的值；为服从均匀分布的随机数；304)计算P_i，若P_i大于一个随机值，则观察蜂转化为采蜜蜂，按下式搜索蜜源并计算fitness，若蜜源质量变好，则更新蜜源当前位置、pbest_i和gbest的值，并将计数变量counter_i置0，否则蜜源的当前位置不变，并将counter_i加1；305)若counter_i>limit，则抛弃该蜜源,采蜜蜂转换为侦查蜂，随机选取新蜜源，其中limit为允许开采的最大次数；4)判断是否达到最大迭代次数，若是，则全局最优解作为漏磁信号的重构轮廓，若否，则将迭代次数加1，并用当前蜜源位置作为粒子的初始位置，并返回步骤3)。