1.一种基于人工蜂群算法结合最小二乘法的谐波检测方法，其特征在于：包括以下步骤：S1：在标准人工蜂群算法的基础上，向人工蜂群算法中引入Tent混沌映射进行算法改进，提出一种混沌人工蜂群(Chaotic Artificial Bee Colony，CABC)算法；CABC算法在整个蜂群搜索到的最优食物源基础上产生混沌序列；

S2：在此CABC算法的基础上，引入改进后的Tent混沌映射，提出一种混沌改进人工蜂群算法(Chaotic Improve Artificial Bee Colony，CIABC)；

S3：通过CIABC算法优化未知参数，以算法输出的最优值作为RLS算法的初始值，利用RLS算法进行参数估计，由最终更新权值得到谐波的幅值和相位。

2.根据权利要求1所述的一种基于人工蜂群算法结合最小二乘法的谐波检测方法，其特征在于：所述CABC算法实现步骤如下：

步骤1：在D维空间，给定迭代次数M，给定食物源总数S，每一只雇佣蜂对应一个食物源位置，雇佣蜂和观察蜂的个数相同，雇佣蜂在其领域位置产生新位置；所有的雇佣蜂将食物源位置信息共享给观察蜂；

食物源位置更新根据 进行；

式中， 表示初始化第i个蜜源所处位置的第j维值；i＝1，2，……，S，j＝1，

2，……，D， 分别为第j维对应的蜜源位置的最小值和最大值，R为0和1之间的随机数；

步骤2：观察蜂根据食物源质量来确定选择食物源，并记录所选择的最优食物源位置和适应度值；

对所选雇佣蜂和观察蜂位置进行邻域搜索，根据 进行

位置更新，式中t为迭代次数， 代表迭代第t+1次时，新i产生的第个食物源第j维的位置值， 代表迭代第t次时，第i个食物源第j维的位置值；k为随机指定的个体，且k≠

1；r为[-1，1]范围内的随机数；

计算出新食物源的适应度值并比较，以食物源质量更优秀的蜜源位置代替原食物源位置。

步骤3：观察蜂每一次尝试新位置后都经过贪婪选择，尝试成功则更新位置，尝试失败则保持原位置，如果尝试失败的次数超过了预设的limit值时，可以认为此食物源质量低于开采阈值。若食物源位置保持不变，那么观察蜂本轮搜索任务结束。对应的雇佣蜂抛弃该食物源且不再记忆其位置；雇佣蜂变为侦察蜂开始随机搜索新食物源位置；

步骤4：记录当前最优解及位置，算法迭代次数达到最大M次，则算法结束，输出最优食物源的适应度值；若未达到最大迭代次数，则判断全局最优食物源是否得到更新；若更新，则重复步骤2到步骤3；否则根据 对常规变量 进行映射变换，得到混沌变量，介于[0，1]之间，再通过 对 进行映射得到混沌变量 最后通过 将混沌变量

变换为常规变量 再重复步骤2到步骤3。

3.根据权利要求1所述的一种基于人工蜂群算法结合最小二乘法的谐波检测方法，其特征在于：S1中所述的引入Tent混沌映射进行算法改进，具体为通过对Tent混沌映射进行改进，克服自身小周期和不稳定周期点。

4.根据权利要求2所述的一种基于人工蜂群算法结合最小二乘法的谐波检测方法，其特征在于：步骤2中所述的计算出新食物源的适应度值并比较，以食物源质量更优秀的蜜源位置代替原食物源位置，其具体操作规为：设fi是非线性优化问题的目标函数，求解最大值时，适应度函数就是目标函数；求解最小值问题时，适应度函数为目标函数的变换形式，通过 计算得到；

雇佣蜂通过比较适应度值选择更优质的蜜源，观察蜂选择食物源的规则为：式中t＝1，2，……，M；Fi(t)为迭代第t次时第i个食物源的适应度值。

5.根据权利要求1所述的一种基于人工蜂群算法结合最小二乘法的谐波检测方法，其特征在于：S3具体操作过程为：对谐波进行估计，首先对信号采样，采样频率满足奈奎斯特准则；

采样系统的等效线性模型表示为：Y'(k)＝H(k)·A+v(k),k＝1,2...,K，其中Y(k)为第k次T的含噪声的信号测量值，A＝[A1A2……AN]为幅值向量矩阵，v(k)为第k次采样的相加噪声，H(k)为系统结构矩阵的第k行；系统的结构矩阵表示为：谐波检测问题被简化为搜索最优的φn使得Y(k)与Y(k)的差值趋于一个最小值，其中Y(k)＝H(k)·A，利用CIABC算法确定不同的相位信息φn，结合使用RLS算法进行幅值的估计。