基于当前最优解的分段搜索策略的人工蜂群算法

为了克服人工蜂群算法在求解函数优化问题中所存在的局部搜索能力差、收敛精度低的缺点,提出了一种基于当前最优解的分段搜索策略的人工蜂群算法。该算法中跟随蜂利用由全局当前最优解和个体当前最优解引导的局部搜索策略逐维进行变异,并采用基于“分段思想”的局部搜索策略对蜜源进行贪婪更新,以提高蜜源的更新效率,从而提高了人工蜂群算法的局部搜索能力。6个标准测试函数的仿真实验结果表明,与基本人工蜂群算法相比,改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。     

基于细菌趋药性和当前最优解策略的人工蜂群算法

为了克服人工蜂群算法在求解函数优化问题中所存在的收敛精度低、收敛速度慢的缺点,提出一种基于细菌趋药性和当前最优解策略的人工蜂群算法。该算法将细菌觅食优化算法中的趋向性操作引入到雇佣蜂的局部搜索策略中,然后跟随蜂在当前最优解的基础上继续进行寻优,从而提高了人工蜂群算法的局部搜索能力。8个标准测试函数的仿真实验结果表明,与基本人工蜂群算法相比,改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。     

基于当前最优解的人工蜂群算法

为克服人工蜂群算法在求解函数优化问题时存在收敛精度低、收敛速度慢的缺点,提出一种改进的人工蜂群算法。为提高人工蜂群算法的局部搜索能力和避免早熟收敛,跟随蜂在当前最优解的周围进行局部搜索,并随着迭代次数的增加,逐渐缩小侦查蜂在当前最优解周围的局部搜索范围。通过6个标准测试函数完成仿真实验,结果表明,与基本人工蜂群算法相比,改进算法在寻优精度和收敛速度上均得到提高。     

增强寻优能力的改进蜂群算法

针对人工蜂群算法易陷入局部最优问题,首先,将蜂群算法中的跟随蜂数量翻倍,用其一半采用轮盘赌选择机制更新,保持蜂群沿着蜜源浓度大的方向进化;增加的一半跟随蜂采用反向的轮盘赌选择机制,用以维持种群的多样性。其次,将所有未更新计数器次数大于阈值的蜜源对应的引领蜂变成侦察蜂,并对相应蜜源进行更新搜索。最后,求出每一轮迭代后所得蜜源的中心位置,通过中心位置与每个蜜源所在的邻域内产生一新解,再比较适应度值的大小,选择优者。经过实验证明,该改进算法具有更高的收敛精度和很好的鲁棒性,且增加了算法跳出局部最优的机会,增强了蜂群算法的寻优能力,具有更好的优化性能。     

基于动态评价选择策略的改进人工蜂群算法

针对标准人工蜂群(ABC)算法易陷入局部极值的问题,对标准ABC算法的轮盘赌选择机制进行了修改,提出了一种基于动态评价选择策略的改进人工蜂群(DSABC)算法。首先,根据到当前为止一定迭代次数内蜜源位置的连续更新或停滞次数,对每个蜜源位置进行动态评价;然后,利用所得的评价函数值为蜜源招募跟随蜂。在6个经典测试函数上的实验结果表明:与标准ABC算法相比,动态评价选择策略改进了标准ABC算法的选择机制,使得DSABC算法的求解精度有较大幅度提高,特别是对于两种不同维数的Rosenbrock函数,所得最优值的绝对误差分别由0.0017和0.0013减小到0.000049和0.000057;而且,DSABC算法克服了进化后期因群体位置多样性丢失较快而产生的早熟收敛现象,提高了整个种群的收敛精度及解的稳定性,从而为函数优化问题提供了一种高效可靠的求解方法。     

求解函数优化问题的改进人工蜂群算法

标准人工蜂群算法由于局部搜索能力差,收敛精度低,容易陷入早熟收敛等缺陷,从而求解最小值函数优化问题的能力受到限制。为了解决标准人工蜂群算法的以上问题,提出了一种改进的人工蜂群算法。该算法将混沌算子引入雇佣蜂和跟随蜂基于当前最优解的局部搜索策略中,并赋予跟随蜂细菌的趋药性,从而
　　提高了人工蜂群算法的局部搜索能力。在6个测试函数上的仿真结果表明,该算法能有效地避免陷入局部最优,并使收敛精度得到显著提高。     

基于精英蜂群搜索策略的人工蜂群算法

针对人工蜂群(ABC)算法存在收敛速度慢、求解精度不高、容易陷入局部最优等问题,利用蜂群觅食过程中先由侦察蜂进行四处侦察食物,并利用蜂群搜索构建精英群体指导蜂群觅食寻优。据此,提出了一种模拟侦察蜂侦察觅食行为的基于精英蜂群搜索策略的连续优化算法。算法利用构建精英蜂群策略、改进侦察蜂搜索机制以及基于目标函数值选择寻优三个主要策略加强算法的搜索机制。数值实验表明,所提算法不仅寻优精度和寻优率非常高,且收敛速度快,并能适于高维空间的优化问题。     

基于改进局部搜索策略的人工蜂群算法

针对人工蜂群算法在函数优化问题求解过程中容易陷入局部最优,收敛速度慢的缺点,提出了一种基于改进局部搜索策略的人工蜂群算法。该算法中跟随蜂采用基于当前最优解的混沌局部搜索策略,侦查蜂采用基于当前最优解的自适应侦查策略,并使其局部搜索范围随着迭代次数的增加逐渐减小,从而提高了人工蜂群算法的局部搜索能力,有效地避免了其陷入局部最优。6个测试函数的仿真实验结果表明,与传统的人工蜂群算法相比,改进后算法的求解精度和收敛速度明显提升。     

基于分治策略的改进人工蜂群算法

人工蜂群(ABC)算法存在着收敛速度不够快、易陷入局部最优的缺陷。针对这一问题,提出一种改进的人工蜂群(DCABC)算法。应用反学习的初始化方法产生初始解,引入分治策略对蜜源进行优化,在采蜜蜂发布更新的蜜源信息后,跟随蜂选择最优蜜源,并采用分治策略进行迭代优化。通过对经典测试函数的反复实验及与其他算法的比较,表明了所提出的算法具有良好的加速收敛效果,提高了全局搜索能力与效率。     

加权中心人工蜂群算法

针对人工蜂群算法收敛速度慢、局部搜索能力差等缺点,提出一种新的改进人工蜂群算法.新算法依据蜜源适应值进行排序,将排序结果作为权值,构造一个虚拟蜜源,即加权中心.若加权中心优于当前最优解,则取代当前最优解,以便得到更好的当前最优解.在加权中心的基础上,增加全维搜索策略,以改善算法的局部搜索能力.两种策略的应用能够加快算法的收敛速度,增强局部搜索能力.在经典的22个基准测试函数上,对新算法的有效性进行实验仿真分析,实验结果表明,所提出算法在求解精度和速度上均有显著提高,在给定等同的时间下远高于其他算法.     

具有自适应趋向性和引导因子的人工蜂群算法

针对人工蜂群算法中存在的收敛速度慢、寻优精度低的问题,提出了一种改进的人工蜂群算法。该算法将自适应趋向性加入雇佣蜂的搜索方案中,同时在观察蜂的搜索方案中加入引导因子。通过雇佣蜂对优秀蜜源的动态趋向搜索以及观察蜂在引导因子引领下的协同搜索,显著提高了算法的局部搜索能力。基于八个标准测试函数的仿真结果表明,与基本人工蜂群算法相比,改进后的算法在寻优精度和收敛速度方面均有明显提升。     

增强开发能力的改进人工蜂群算法

为解决人工蜂群（ABC）算法收敛速度慢、精度不高和易于陷入局部最优等问题，提出一种增强开发能力的改进人工蜂群算法。一方面，将得出的最优解以两种方式直接引入雇佣蜂搜索公式中，通过最优解指导雇佣蜂的邻域搜索行为，以增强算法的开发或局部搜索能力；另一方面，在旁观蜂搜索公式中结合当前解及其随机邻域进行搜索，以改善算法的全局优化能力。对多个常用基准测试函数的仿真实验结果表明，在收敛速度、精度和全局优化能力等方面，所提算法总体上优于其他类似的ABC算法（例如ABC/best）和集成多种搜索策略的ABC算法（例如ABCVSS（ABC algorithm with Variable Search Strategy）和ABCMSSCE（ABC algorithm with Multi-Search Strategy Cooperative Evolutionary））。     

增强寻优能力的自适应人工蜂群算法*

针对人工蜂群算法在求解函数优化问题中存在收敛精度不高、收敛速度较慢的问题,提出了一种改进的增强寻优能力的自适应人工蜂群算法。该算法利用逻辑自映射函数产生混沌序列对雇佣蜂搜索行为进行混沌优化,并引入萤火虫算法中的自适应步长策略动态调整观察蜂的搜索行为,从而提升了算法的局部搜索能力。基于标准测试函数的仿真结果表明,改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。     

基于自适应蜂群优化的DBSCAN聚类算法

针对传统的DBSCAN（Density-Based Spatial Clustering of Application with Noise，DBSCAN）聚类算法全局参数设置不合理、参数选取困难、无法识别重叠模块的问题，以及人工蜂群优化算法（Artificial Bees Colony，ABC）后期收敛速度慢、易陷入局部最优等缺陷进行了研究，提出一种基于自适应人工蜂群优化DBSCAN的聚类算法IABC-DBSCAN。该算法将截断选择机制与锦标赛选择机制相结合，提出一种截断-锦标赛选择机制（Truncation-Championship Selection Mechanism，TCSM），以增强种群多样性、避免跟随蜂选择蜜源陷入局部最优的缺陷；提出一种自适应步长策略（Adaptive Step Strategy，ASS）动态调整跟随蜂的搜索方式，以提高算法局部搜索能力和聚类速度；根据改进的IABC算法动态调节DBSCAN算法中的最优参数，将蜜源位置对应[ε]邻域，蜜源的适应度大小对应DBSCAN的聚类效果，并在多种测试函数和数据集上进行验证。实验结果表明，该算法不仅有效克服ABC和DBSCAN算法的缺陷，且正确率和召回率均有较大提高。     

An improved artificial bee colony algorithm based on the strategy of global reconnaissance

The artificial bee colony (ABC) algorithm is a recently introduced swarm intelligence optimization algorithm based on the foraging behavior of a honeybee colony. However, many problems are encountered in the ABC algorithm, such as premature convergence and low solution precision. Moreover, it can easily become stuck at local optima. The scout bees start to search for food sources randomly and then they share nectar information with other bees. Thus, this paper proposes a global reconnaissance foraging swarm optimization algorithm that mimics the intelligent foraging behavior of scouts in nature. First, under the new scouting search strategies, the scouts conduct global reconnaissance around the assigned subspace, which is effective to avoid premature convergence and local optima. Second, the scouts guide other bees to search in the neighborhood by applying heuristic information about global reconnaissance. The cooperation between the honeybees will contribute to the improvement of optimization performance and solution precision. Finally, the prediction and selection mechanism is adopted to further modify the search strategies of the employed bees and onlookers. Therefore, the search performance in the neighborhood of the local optimal solution is enhanced. The experimental results conducted on 52 typical test functions show that the proposed algorithm is more effective in avoiding premature convergence and improving solution precision compared with some other ABCs and several state-of-the-art algorithms. Moreover, this algorithm is suitable for optimizing high-dimensional space optimization problems, with very satisfactory outcomes.     

Artificial Bee Colony Algorithm Based on Adaptive Search Equation and Extended Memory

From the perspective of psychology, a modified artificial bee colony algorithm (ABC, for short) based on adaptive search equation and extended memory (ABCEM, for short) for global optimization is proposed in this paper. In the proposed ABCEM algorithm, an extended memory factor is introduced into store employed bees’ and onlooker bees’ historical information comprising recent food sources, personal best food sources, and global best food sources, and the solution search equation for the employed bees is equipped with adaptive ability. Moreover, a parameter is employed to describe the importance of the extended memory. Furthermore, the extended memory is added to two solution search equations for the employed bees and the onlookers to improve the quality of food source. To evaluate the proposed algorithm, experiments are conducted on a set of numerical benchmark functions. The results show that the proposed algorithm can balance the exploration and exploitation, and can improve the accuracy of optima solutions and convergence speed compared with other current improved ABCs for global optimization in most of the tested functions.     

基于改进ABC的LSSVM氧化还原电位预测研究

针对氧化还原电位对于生物氧化提金预处理过程的控制和优化具有重要作用,提出了一种基于改进的ABC算法优化最小二乘支持向量机的预测方法;该算法是在标准人工蜂群算法的基础上,通过引入欧氏距离,使得在一定邻域内观察蜂采用不同于雇佣蜂的搜索策略;采用改进的ABC算法优化最小二乘支持向量机的参数,取得最优解并赋予最小二乘支持向量机进行预测;以新疆某金矿的生产数据进行仿真研究,结果表明:基于改进的ABC算法优化的最小二乘支持向量机具有较高的预测精度,该方法能使模型取得较好的预测效果。     

一种求解高维约束优化问题的人工蜂群算法*

针对求解高维约束优化中算法的收敛速度和解的精度不高的缺点,提出一种改进的人工蜂群约束优化算法。该算法在初始化种群和侦察蜂探寻新蜜源时采用了正交实验设计方法,并在采蜜蜂搜索时使用了改进的高斯分布估计,跟随蜂按照采蜜蜂的适应值大小选择一个采蜜蜂,在其蜜源领域内采用差异算法搜索新的蜜源;在处理约束条件时采用自适应优劣解比较方法。最后通过13个标准的Benchmark测试函数进行仿真实验,结果表明该算法在处理高维约束优化问题时具有较好的收敛性和稳定性。