基于 GPU 加速的细粒度并行人工蜂群算法

为了改善人工蜂群算法对于大规模数据、高复杂度问题的执行效率,采用开放计算语言(OpenCL )并行编程模型,提出一种基于图形处理器(GPU )加速的并行人工蜂群算法.将每只采蜜蜂映射到 OpenCL 的一个工作组,跟随蜂采用局部轮盘赌选择,使得人工蜂群算法在 GPU 中加速执行.实验结果表明,并行人工蜂群算法取得了较好的优化效果,提高了算法的运算速度.     

基于多核PC的人工蜂群并行算法的研究与实现

针对人工蜂群算法搜索时间长、收敛速度缓慢、搜索后期极易陷入局部最优等问题,提出了一种人工蜂群并行算法(PRP-ABC).首先引入随机摄动因子和全局最优解两个策略得到串行式RP-ABC算法;然后应用OpenMP并行技术,采用主从式调度方式对串行算法并行改写;最后在多核PC上将三种算法在复杂函数优化问题上测试比较.结果表明,该算法有效提高了收敛速度和优化性能,尤其适用于高维复杂函数的优化问题.     

基于改进人工蜂群算法的多阈值红外图像分割

针对传统的多阈值红外图像分割中多阈值选取存在的效率低、计算重复等问题,提出了一种基于改进人工蜂群算法的多阈值红外图像快速分割算法.首先,在阈值选取时引入人工蜂群算法,实现多阈值的选取.然后,针对原始人工蜂群算法存在的收敛速度慢、容易陷入局部最优的缺点,分别从引领蜂搜索、跟随蜂搜索和侦察蜂搜索3个方面进行了改进,使其更快、更准地收敛于最优解.实验表明,相比于原始人工蜂群算法,改进后的算法在精度相同时速度更快,迭代次数相同时结果更接近最优解.该算法能够在保证精度的前提下高效地对红外图像进行多阈值分割,是一种可行的红外图像分割方法.     

一种快速高效的人工蜂群算法

针对人工蜂群算法收敛速度慢和易陷入局部最优的缺点,在雇佣蜂搜索阶段提出了一种基于多维搜索和一维搜索的混合搜索策略,能克服单一一维搜索下收敛速度慢的缺点,有效加快收敛速度;提出了新的跟随蜂蜜源选择策略,可保证种群多样性,增强算法全局搜索能力。通过对12个基准测试函数进行仿真实验并与原算法进行比较,其结果表明改进的算法在收敛速度和精度上均优于人工蜂群算法。     

一种针对约束问题改进的人工蜂群算法

人工蜂群算法是基于自然界蜂群行为的一种算法,该算法已被广泛应用在不同的约束类问题,它能有效解决0-1背包等约束问题。文中提出了基于可行规则和多目标优化问题的改进人工蜂群算法。针对人工蜂群算法存在收敛速度低的缺点,提出一种针对约束问题改进的人工蜂群算法,通过改变一些参数提高算法的收敛速度。对著名的13个约束问题进行试验验证,实验表明改进的人工蜂群算法的最优解和平均解都优于原始的人工蜂群算法。     

一种基于人工蜂群的高维非线性优化算法

针对传统优化算法在求解高维非线性优化问题时,存在收敛速率慢和求解精度不高等问题.提出一种改进的人工蜂群优化算法.正交试验设计算法被用于初始化蜂群和侦察蜂探索新蜜源.采蜜蜂利用高斯分布估计优化算法在蜜源附近搜索,跟随蜂采用自适应差分算法进行搜索.最后,通过4个标准的高维Benchmark函数测试表明,本文算法在收敛速度、求解精度和稳定性方面有一定优势.     

基于差分变异算子的改进人工蜂群算法

文章针对传统人工蜂群算法收敛速度慢、精度不高的问题,基于差分进化算法中的变异算子,对人工蜂群算法搜索方程进行改进,在种群更新过程中引入当前种群最优个体信息,以提升算法的收敛速度和局部优化能力。     

改进人工蜂群算法在数字图像相关中的应用

针对人工蜂群算法存在的收敛速度较慢,易陷入局部最优解的问题,提出一种改进的人工蜂群优化算法,并应用于数字图像相关的整像素位移搜索中。该算法借助相关度值的变化来动态调整跟随蜂的搜索步长,平衡其全局和局部的搜索能力;侦察蜂利用遗传算法的交叉运算产生新解,改善全局搜索能力。实验结果表明,改进的算法能有效地提高收敛速度,改善整像素位移搜索的性能。     

基于差分演化二进制人工蜂群算法的多用户检测

最优多用户检测属于NP组合优化问题,人工蜂群算法作为一种简单有效的新兴启发式算法可以有效求解此类问题。针对基本二进制人工蜂群算法收敛速度慢、易陷入局部最优等缺陷,提出了一种基于差分演化的二进制人工蜂群算法,并应用于最优多用户检测中。算法采用多维邻域搜索策略,避免了连续域到离散域的转换,降低了算法复杂度,适合于实时处理。仿真结果表明,所提算法在抗多址干扰能力、抗"远近"效应能力和收敛性能方面均优于基本二进制人工蜂群算法。     

基于全局信息的人工蜂群聚类算法北大核心CSCD

针对人工蜂群算法易陷入局部最优和收敛速度慢的不足,提出了一种基于全局信息的人工蜂群聚类算法.基于全局信息的人工蜂群聚类算法通过加入食物源平均丰富度(richness),利用中间聚类效果,更好地更新食物源;并且通过引入全局最优信息,提高跟随蜂的搜索效率,以获取聚类问题的全局最优解.同时在UCI机器学习库的4个标准数据集上进行了大量的实验来评估算法的性能.并将该算法和基本人工蜂群算法、粒子群算法和Kmeans算法进行比较.实验结果证明提出的基于全局信息的人工蜂群聚类算法具有更好的性能.     

Artificial bee colony–based spectrum handoff algorithm in wireless cognitive radio networks

In this work, we proposed a new artificial bee colony–based spectrum handoff algorithm for wireless cognitive radio systems. In our wireless cognitive radio system, primary users, secondary users, and related base stations exist in the same communication environment. For our artificial bee colony–based algorithm, secondary users that always struggle to discover an idle channel have a leading role. While honey bees work hard to find the best‐quality nectar source for foraging, secondary users try to find idle channels for making communication. In this way, secondary users are organized for different missions such as sensing and handoff similar to honey bees to minimize spectrum handoff delay by working together. In the spectrum handoff stage, some secondary users must sense the spectrum so that the interrupted secondary user may perform the spectrum handoff process. In our developed spectrum handoff algorithm, the spectrum availability characteristic is observed on the basis of the missions of the bees in the artificial bee colony algorithm with the aim of minimizing the spectrum handoff delay and maximizing probability of finding an idle channel. With the help of the algorithm that is developed using the artificial bee colony, spectrum handoff delay of secondary users is considerably decreased for different number of users without reducing probability of finding an available channel.     

基于蜂群优化模糊聚类的遥感图像变化检测

针对模糊聚类算法容易陷入局部最优,结合人工蜂群算法的全局最优性,提出一种基于蜂群优化模糊C均值聚类的新算法,并将此算法应用到遥感图像的变化检测中。利用差值图和比值图融合的方法得出多时相遥感图像的差异图,在对差异图像进行模糊聚类生成变化类和未变化类的同时,利用人工蜂群算法对差异图进行全局搜索,较大程度地避免FCM算法陷入局部最优,也降低了FCM算法对初始解的敏感度。实验结果表明,新算法比FCM分类准确、效率更高。     

改进人工蜂群算法在图像分割中的应用

作为图像处理技术的一个分支,多阈值图像分割技术已经越来越吸引人们的注意.然而,很多阈值分割技术计算时间较长,且其随着维数的增加而呈指数性增长.因此,为了提高分割的效率,引入基于改进人工蜂群优化算法的多阈值图像分割技术.在分析了标准人工蜂群算法缺陷的基础之上,从雇佣蜂和观察蜂的搜索公式进行改进,使其能够更有效率地收敛至全局最优,同时采用最大类间方差法(Otsu)作为测试改进算法性能好坏的标准.实验证明,改进后的算法更好地平衡了全局搜索和局部寻优能力,在加快收敛速度的同时提高了寻优精度,获得了良好的图像分割效果.     

人工蜂群算法的研究综述

人工蜂群算法是一种基于蜜蜂采蜜行为的新兴群体智能算法,通过不同角色蜜蜂间的交流、转换和协作来实现群体智能。基于此,首先阐述了基本ABC算法和二进制ABC算法的原理,然后针对基本ABC算法存在的不足,从四个方面综述了各种改进算法,最后对ABC算法在一些领域中的应用现状和对未来研究方向进行了概括总结。     

基于人工蜂群算法的FIR滤波器设计

FIR滤波器设计是数字信号处理领域中的重要课题之一。最优化FIR滤波器设计可以抽象为一个最优化问题,采用启发式算法来求解。作为一种新型启发式算法,人工蜂群算法由于其原理简单、控制参数少、鲁棒性强等优点,已被越来越多的学者所关注。本文采用人工蜂群算法优化FIR滤波器设计,研究了两者的结合机理,讨论了具体实现步骤,并通过仿真验证了该方法的有效性。     

人工蜂群算法求解任务可拆分项目调度问题

针对任务可拆分的资源受限的项目调度问题,提出了一种人工蜂群算法与任务可拆分的串行调度机制相结合的优化方法．人工蜂群算法中每个食物源的位置代表一组项目任务的优先权序列,优先权序列通过调度生成机制转换为可行调度方案,迭代中由三种人工蜂执行不同的操作来实现全局最优解的更新．实算表明,基于优先权的人工蜂群算法可以有效求解任务可拆分项目调度问题,收敛速度较快且精度较高．     

基于混沌鲶鱼效应的人工蜂群算法及应用

针对目前人工蜂群算法的早熟收敛、陷入局部极值等问题,提出一种基于混沌鲶鱼效应的改进人工蜂群算法.首先,采用随机性更高的混沌序列初始化蜂群以扩大其遍布范围;其次,集成了鲶鱼效应和混沌理论提出了混沌鲶鱼蜂,并引入了它与跌入局部极值的蜂群之间的有效竞争协调机制,从而增进蜜蜂群体跳出局部最优解、加速收敛的能力.支持向量机的学习能力主要取决于其惩罚因子C和核函数参数的合理选择,对其参数的优化可以提升其学习效果,然而现行算法均存在一定局限性.基于我们提出的改进人工蜂群算法,对支持向量机的参数进行了优化.最后,在UCI（加州大学欧文分校）数据集和行为识别真实数据集上进行了测试,验证基于改进人工蜂群算法的支持向量机具有更强的分类性能.