基于单纯形的改进精英人工蜂群算法

针对人工蜂群算法收敛速度慢,求解精度不高,易陷入局部最优等问题,基于受粒子群启发的多精英人工蜂群优化算法,引入了蜂群中的精英个体和全局最优个体来增强开发全局最优解的能力.文章中,在雇佣蜂阶段借助精英个体引导蜜源搜索,并利用蜂群中蜜源的质量排序重新构造蜜源的选择概率公式;在跟随蜂阶段,选择种群最优蜜源引领蜂群,加强算法对全局最好解的局部开采能力,同时将随机选择邻居蜜源变为最优定向选择.最后利用单纯形算法对精英解集进行再次更新,进一步平衡蜂群的全局搜索和局部寻优能力.数值实验表明改进的新算法的寻优精度和收敛速度均有明显提高.     

一种改进的人工蜂群算法

人工蜂群算法是近年来提出的一种受生物行为启发的优化算法,该算法主要通过模拟蜜蜂的觅食来实现问题的求解。作为一种全局优化算法,人工蜂群算法有着较好的探寻能力,但其探索能力相对较弱。针对人工蜂群算法收敛速度缓慢的问题,提出基于scout蜂交叉觅食的改进人工蜂群算法。该算法通过交叉策略来指导scout蜂的觅食行为,避免了随机觅食带来的算法收敛速度缓慢的问题,提高算法的收敛速度。通过五个基准测试函数进行对比实验,结果表明新算法无论是在收敛速度、解的质量方面都优于标准人工蜂群算法,是一种有效的优化算法。     

一种改进的混沌局部搜索的人工蜂群算法

人工蜂群算法具有鲁棒性强、收敛速度快且全局寻优性能优异等优点,但其局部搜索能力不足.为了克服此缺陷,提出了一种改进的混沌局部搜索的人工蜂群算法.新算法在每一代的所有个体的平均值附近利用混沌函数进行局部搜索,然后在搜索到的解和原食物源之间采用贪婪选择的原则确定下一代种群.基于6个标准测试函数的仿真结果表明,本算法能有效地加快收敛速度,提高最优解的精度,其性能优于已有的人工蜂群算法.     

基于最速下降法改进的人工蜂群算法

针对基本人工蜂群算法求解优化问题时存在收敛精度低、搜索盲目性大的缺点,提出一种基于最速下降法改进的人工蜂群算法.算法利用最速下降法简单、计算量小的特点,对基本人工蜂群算法中经过limit次更新后没有得到改善的蜜源进行更新,它结合了基本人工蜂群算法较强的全局搜索能力和最速下降法快速精确的局部搜索能力,能够有效避免基本人工蜂群算法中的某些盲目的无意义迭代.经过9个标准测试问题的仿真试验表明,所得的人工蜂群算法具有比基本人工蜂群算法更快的收敛速度和更高的求解精度.     

基于狭义中心和随机维度学习的人工蜂群算法

针对人工蜂群算法收敛速度慢、寻优精度低的缺点,提出基于狭义中心和随机维度学习的人工蜂群算法。首先,在算法中定义狭义中心蜜蜂,并与当前种群最优解进行贪婪选择为种群最优解;其次,用最优解引导算法进行搜索,以增强算法局部搜索能力;再次,在每次迭代时,蜜蜂随机选择若干维度数进行学习,以加速算法收敛。8个经典基准函数的测试结果表明,新算法在收敛速度和解的精度上优于类似改进算法。     

基于蜂群单阈值分割的SRC板材缺陷分类方法

针对传统单阈值板材缺陷分割算法易陷入局部最优、早熟以及收敛速度慢等缺点,提出了一种基于改进蜂群算法的单阈值分割算法.为了提高缺陷分类准确率并减少运算量,将稀疏表达分类器(SRC)运用到板材缺陷分类过程中.改进算法每次迭代都会同时进行全局和局部搜索,且侦查蜂随机全局选取蜜源以加快收敛速度,搜索半径可以根据时变搜索参数进行自适应调整,SRC可将缺陷分类问题转换为求最稀疏系数解的过程.结果表明,本文算法可以准确快速地计算出最佳分割阈值,并将分类准确率提高到90%以上,具有一定的可靠性与可行性.     

精英区域学习的转轴人工蜂群算法

针对人工蜂群(ABC)算法在解决复杂优化问题时容易出现收敛速度慢、开采能力不足的问题,提出了一种精英区域学习的转轴人工蜂群(ERABC)算法。在ERABC算法中,通过执行区域学习方法构建精英池,并利用精英池改进其搜索策略,同时在每一代中以一定的频率对最优解执行转轴法(RM)局部搜索。在20个包含单峰、多峰和偏移函数的基准测试函数上,分析了ERABC算法中改进策略的有效性,并与多种新近的改进ABC算法和演化算法进行了比较实验。实验结果表明,提出的算法在保证精英池中个体多样性的同时加快了算法的收敛速度,RM有效地提高了算法的开采能力。     

一种改进的粒子群与人工蜂群融合算法

针对标准的粒子群算法和人工蜂群算法收敛性能差、在复杂优化问题易陷入局部最优的缺点,提出了一种改进的融合算法.改进融合算法拥有双种群并行进化,其中粒子群采用改进的反向学习策略,以增加群体的多样性;蜂群中跟随蜂根据个体停滞次数,自适应地改变进化策略,以平衡全局探索与局部开发能力.同时算法将交替共享两个种群的全局最优位置,通过相互引导使融合算法具有更好的寻优能力.8个经典函数和CEC2013的8个复合函数的实验结果表明,与最新的一些改进粒子群和人工蜂群算法相比,该算法的收敛速度和收敛精度均有较显著的优势.     

基于自适应选择策略的人工蜂群算法

由于适应度比例选择法在进化过程中使得蜜源的多样性受限和早熟收敛.因此,按照蜜源当前的性状提出了一种基于自适应选择策略的蜂群算法(SABC)来动态地调节选择压力,使算法的全局搜索和局部搜索能力达到平衡.从测试函数的仿真结果表明:改进的人工蜂群算法很大地提高了蜂群算法的寻优能力,在收敛速度和精度上优于基本蜂群算法.     

一种应用于函数优化问题的多种群人工蜂群算法

针对传统人工蜂群算法(ABC)收敛速度慢、易陷入局部最优解等不足,提出一种基于种群分割的多种群人工蜂群算法(MABC)应用于函数优化问题.该算法利用K均值聚类算法对蜂群进行种群分割,在子种群中引入基于全局通信的蜜源位置更新方式加速算法收敛,同时引入基于局部通信的适应度函数扩展解方案的多样性.通过对6个基准测试函数的实验表明,MABC算法适应度高、收敛速度快,克服了ABC算法易陷入局部最优解等不足,在函数优化问题中表现出了更好的性能.     

基于马尔可夫链的人工蜂群算法

分析了人工蜂群算法及部分国内外学者提出的改进算法,针对局部搜索能力差和容易陷入局部最优解的缺点,根据马尔可夫链预测已知解空间的发展趋势,提出了一种基于马尔可夫链的改进人工蜂群算法（MABC）,通过伪代码给出了算法的运行过程,从收敛性能和算法复杂度2个方面分析了人工蜂群算法、一种典型的改进算法和MABC算法的性能.最后以10个典型函数为测试用例,从结果精度、收敛速度、分割参数和运行时间4个方面进行验证,实验结果表明,MABC算法在求解精度和收敛速度上高于ABC算法,但运行时间略长,验证了理论分析的结果.     

基于高斯采样和随机采样聚类的差分演化算法

基于中心采样的概念,提出随机采样方法。研究差分演化算法,提出基于高斯采样和随机采样的聚类差分演化算法。通过实验,论证了高斯采样和随机采样显著的加快收敛速度、提升算法的求解能力,表明该算法对复杂的全局优化问题有很好地求解能力,比经典差分演化算法具有更好的求解性能。     

余弦适应性骨架差分进化算法

针对传统差分进化算法在解决复杂优化问题时存在收敛速度慢的问题,提出了一种余弦适应性骨架差分进化算法(CABDE),算法设计了一种新的变异策略适应性机制。该机制引入一个余弦适应性因子,实现高斯变异策略和DE/current-to-best/1变异策略的优势互补,以平衡算法的勘探能力和开采能力。其中,高斯变异策略具有较强的全局搜索能力,有利于维持种群多样性。DE/current-to-best/1变异策略具有较强的局部搜索能力,能够加快对较优区域的开采。同时,高斯变异策略和DE/current-to-best/1变异策略都利用当前最优个体来引导算法搜索方向,从而尽可能地加快收敛速度。余弦适应性因子在进化过程中随迭代次数的增加而波动性调整,为不同进化阶段适应性地选择变异策略。设计的变异策略适应性机制能够在维持种群多样性的同时加快收敛速度。为测试算法性能,采用18个不同特性的测试函数对算法进行数值实验。对CABDE算法的变异策略和参数动态变化进行了分析,实验结果验证了变异策略和参数动态变化的有效性。此外,CABDE算法分别与新近的骨架算法变体、差分进化算法变体、粒子群优化算法变体和人工蜂群算法变体进行了比较。实验结果表明CABDE算法获得了较高的求解精度,加快了收敛速度,整体上优于其他比较算法。     

求解多目标背包问题的改进人工鱼群算法

作为一种新的群智能算法,在求解多目标背包问题时,人工鱼群算法存在盲目搜索、收敛速度慢和求解精度低等问题.针对这些问题,本文结合人工鱼位置全局最优信息,对人工鱼的移动策略进行自适应改进,提出一种改进的人工鱼群算法.对多目标背包优化问题实验仿真表明,本文改进的人工鱼群算法收敛速度和搜索到的非劣解的精度均优于粒子群算法和遗传算法.     

改进基于记忆的人工蜂群算法

基于记忆的人工蜂群算法(ABCM)通过记住成功使用的邻居和系数指导人工蜂群下一步的搜索,需消耗多次函数评价收敛到吸引子,且始终使用与上次相同的排斥系数,造成收敛速度不快、多样性不足,易陷入局部最优解.提出一种改进ABCM(IABCM),当使用吸引系数时,候选解只消耗一次函数评价收敛到吸引子,如果候选解好于当前解,则替换当前解,否则直接删除该记忆,这样可以利用尽量小的代价得到尽量大的收益.当使用排斥系数时,该系数的数值部分重新随机生成,以增加多样性和随机性,有利于算法跳出局部最优解.在22个不同类型函数上的实验表明,IABCM在收敛速度和精度方面明显优于ABCM.     

基于动态概率引导的人工蜂群聚类算法

针对传统人工蜂群算法中搜索策略开发能力不足、单一的搜索策略难以适用于算法运行的各个阶段等问题,提出了一种搜索策略动态调整的人工蜂群算法,该算法搜索策略由基于反馈的动态概率引导以平衡算法的探索能力和开发能力;为增强蜜源结构相似性的联系与优秀蜜源的影响,引入局部最优蜜源引导下一代的产生。在此基础上,针对K-means算法初始聚类中心敏感、全局搜索能力不足等问题提出了基于改进蜂群算法的K-means算法,在多个标准测试函数和UCI数据集上测试验证所提出算法的性能。     

改进人工蜂群算法

针对人工蜂群算法存在的收敛速度慢、易陷入局部最优的缺点,利用自由搜索算法中的信息素、灵敏度模型代替传统的轮盘赌选择模型,并引入OBL策略产生新蜜源取代每次迭代的最差蜜源,提出了一种改进的人工蜂群算法,并结合NIT技术建立一种新的多峰优化方法.对9个标准测试函数仿真表明本文提出的改进算法不仅大大提高了最优解的精度而且缩短了运行时间,改进性能明显优于现有人工蜂群算法.实例测试表明该方法能够有效、精确地搜索各个峰值点.     

基于改进蚁群算法的物流配送路径优化

建立了带约束条件的物流配送问题的数学模型,运用蚁群算法解决物流配送路径优化问题,将遗传算法的复制、交叉和变异等遗传算子引入蚁群算法,以提高算法的收敛速度和全局搜索能力;改进了信息素的更新方式,以提高蚁群算法的自适应性,使得算法在执行过程中能根据收敛和进展情况,相应地调整信息残留程度,从而提高收敛速度或全局搜索能力;引入了一种确定性搜索方法,加快启发式搜索的收敛速度.经过多次对比实验表明,使用改进的蚁群算法优化物流配送线路,可以有效而快速地求得问题的最优解或近似最优解     

基于精英解学习的邻域搜索差分演化算法

为了防止差分演化算法在求解复杂问题时容易陷入局部最优、收敛速度慢等问题,提出了一种基于精英解学习的邻域搜索差分演化算法(ELNDE).在该算法中利用多个精英解构建一个精英解池策略,并且对其进行反向学习,保证种群的多样性.在每一代种群演化计算过程中执行邻域搜索,通过精英解作为导向,加快算法的收敛速度的同时提高开采能力.使用13个基准测试函数对提出的算法进行了测试并且与几种知名的改进算法进行比较.实验表明,提出的算法在收敛速度和解的精度是具有较大的优势.     

求解TSP问题的快速蚁群算法

针对蚁群算法求解旅行商问题时存在收敛速度慢并容易陷入局部最优的问题,提出了一种改进的蚁群算法。改进算法采用信息素挥发因子自适应调整机制,调节算法收敛速度,保证算法的全局搜索能力。同时根据公共路径降低蚁群算法运算时间,诱导蚁群寻找更优解。实验结果表明,改进算法在迭代次数相对较少的情况下求得的平均解与已知最优解偏差为0.46%,最优解与已知最优解偏差为0.23%,在收敛速度及求解精度上均取到了较好的效果。