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。     

自扰动人工蜂群算法

人工蜂群(Artificial Bee Colony,ABC)算法是一种模仿蜂群寻找蜜源的新型算法,因具有参数简单、灵活性强等优点而被广泛用于解决工程问题。但该算法在早熟、收敛速度慢和个体越界等缺点。为此,提出一种自扰动人工蜂群算法(Novel Artificial Bee Algorithm with Adaptive Disturbance,IGABC)。该算法采用轴对称策略处理蜂群中的越界个体,提高了算法的搜索效率。通过改进全局搜索方程的结构,同时加入带阈值的线性递增策略,提出一种全新的自适应搜索方程。自适应搜索方程提高了算法的收敛精度并加快了速度。为了获得更好的全局最优解,提出一种自扰动方法对全局最优解进行扰动。选取18个基准测试函数以及近4年提出的6个改进ABC算法进行对比实验,结果表明,该算法在收敛速度和精度上均有较大的优势,尤其在处理Rosenbrock等很难寻优的复杂函数时,收敛精度提高了16个数量级。     

动态调节因子的邻域搜索人工蜂群算法

自人工蜂群算法(ABC)提出以来,因其算法简单、控制参数少、全局收敛能力强、便于实现等优点得到了广泛的关注。然而,ABC算法仍然存在收敛精度低、收敛速度慢等不足之处。针对此问题,受到生物个体邻域规则的启发,提出一种基于生物邻域最优个体的人工蜂群算法(NABC),通过食物源向邻域最优食物源周围搜索,提高了种群的搜索速度;同时,为了动态调节算法的搜索过程,使算法早期侧重于全局搜索,后期侧重于深度搜索,提出了基于三角函数调节因子的邻域搜索人工蜂群算法(DNABC)。对12个测试函数的实验结果表明,NABC算法在函数优化时具有较高的收敛精度和较快的收敛速度,而且基于三角函数的调节因子能够对NABC算法的搜索过程进行调节,促进了NABC算法的改善。     

分布式人工蜂群免疫算法求解函数优化问题

为了克服人工蜂群算法由于开发能力较弱而导致收敛速度慢、搜索精度不高等缺点,结合子蜂群思想和免疫克隆选择算法,提出一种基于分布式精英进化模型的人工蜂群免疫算法。首先对外层子蜂群进行启发式快速人工蜂群操作以提高收敛速度;然后对内层精英蜂群进行免疫克隆选择操作,进一步提高了算法的收敛精度和全局搜索能力。仿真结果表明了该算法在求解函数优化问题上的有效性和优越性。     

分阶段搜索的改进人工蜂群算法

针对人工蜂群(ABC)及其改进算法在求解高维复杂函数优化问题时,存在求解精度低、收敛速度慢、易陷入局部寻优且改进算法控制参数多的不足,提出一种分阶段搜索的改进人工蜂群算法。该算法设计了分阶段雇佣蜂搜索策略,使雇佣蜂在不同阶段具备不同的搜索特点,降低了算法陷入局部极值的概率;定义逃逸半径,使其能够更好地指导早熟个体跳出局部极值,避免了逃逸行为的盲目性;同时,采用均匀分布结合反向学习的初始化策略,促使初始解分布均匀且质量较优。通过对优化问题中8个典型高维复杂函数的仿真实验结果表明,该改进算法求解精度更高,收敛速度更快,更加适合高维复杂函数求解。     

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。     

基于双层进化的多种群并行人工蜂群算法

针对人工蜂群算法(ABC)容易陷入早熟收敛等不足,引入文化算法双层进化结构和多种群并行进化思想,提出基于双层进化的多种群并行人工蜂群算法(PMABC)。将采蜜蜂群划分为具有不同搜索策略的子种群并行进化,平衡全局开发能力与局部搜索能力,避免算法过早陷入局部最优。采用双层进化结构,采蜜蜂群作为种群空间寻找可行解,追随蜂群作为信仰空间,记忆采蜜蜂群搜索的优质蜜源并继续搜索。将其搜索结果用于指导蜂群寻优,可加速算法收敛,提高收敛精度。通过6个经典的适应度测试函数仿真验证了该算法能够有效避免陷入局部最优,具有较快收敛速度和较高收敛精度。     

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。     

基于改进搜索策略和混沌机制的人工蜂群算法

人工蜂群算法具有较强的探索能力,但是开采能力差、搜索精度低、后期收敛速度慢。针对以上问题,本文提出一种基于混沌机制的人工蜂群算法,在搜索方程中引入历史平均最优解,避免探索和开采能力的失衡;迭代后期,若种群陷入局部极值,采用混沌序列对种群进行变异,以增强算法的开采能力和求解的质量,保持种群的多样性。经过函数测试结果表明,改进后的算法在求解速度和精度上均优于基本ABC算法和其他改进算法。      

一种简单高效的改进人工蜂群优化算法

人工蜂群（Artificial bee colony, ABC）算法是一种新型的仿生智能优化算法。与其他仿生智能优化算法相比,ABC算法的优化求解策略仍有待改进,以进一步提高其收敛速度和优化求解精度。为此,本文提出一种简单而高效的改进ABC算法,将统计学中的正态分布理论引入ABC算法的优化求解过程。首先,提出基于正态分布的蜜源初始化策略,提高了初始化过程的目的性,为后续搜索提供了精度保障。进而对搜索公式中的基础位置和缩放因子进行改进,提出了基于正态分布的搜索策略。该策略在扩大搜索范围的同时,使搜索更新过程更具目的性,从而在有效防止陷入局部收敛的同时,提高了优化求解速度。针对高维复杂Benchmark函数的测试实验结果表明,所提出算法的改进策略简单有效,其收敛速度和求解精度更高。     

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。     

An efficient artificial bee colony algorithm with application to nonlinear predictive control

In this paper a constrained nonlinear predictive control algorithm, that uses the artificial bee colony (ABC) algorithm to solve the optimization problem, is proposed. The main objective is to derive a simple and efficient control algorithm that can solve the nonlinear constrained optimization problem with minimal computational time. Indeed, a modified version, enhancing the exploring and the exploitation capabilities, of the ABC algorithm is proposed and used to design a nonlinear constrained predictive controller. This version allows addressing the premature and the slow convergence drawbacks of the standard ABC algorithm, using a modified search equation, a well-known organized distribution mechanism for the initial population and a new equation for the limit parameter. A convergence statistical analysis of the proposed algorithm, using some well-known benchmark functions is presented and compared with several other variants of the ABC algorithm. To demonstrate the efficiency of the proposed algorithm in solving engineering problems, the constrained nonlinear predictive control of the model of a Multi-Input Multi-Output industrial boiler is considered. The control performances of the proposed ABC algorithm-based controller are also compared to those obtained using some variants of the ABC algorithms.     

基于中心解的改进人工蜂群算法

为了解决人工蜂群(ABC)算法在用于函数优化时所具有的局部探索能力不强、收敛精度不高的问题,提出一种基于中心解的人工蜂群算法。该算法结合中心解和当前最优候选解的优点,并将中心解引入到跟随蜂的局部变异策略中。跟随蜂采用轮盘赌的形式,选择某些适应度值较好的蜜源,在雇佣蜂中心解的基础上深度局部寻优,并在每次迭代中逐维更新蜜源每一维度的值。为了验证该算法的有效性,选择六个基准测试函数对三种算法进行仿真对比实验。与标准ABC算法和Best-so-far ABC算法相比,改进的ABC算法的求解精度有较大幅度提高,特别是对于Rastrigin函数,两种不同维数下均达到了理论最优值。实验结果表明:所提算法在收敛速度和寻优精度上都有明显改善。     

具有自适应全局最优引导快速搜索策略的人工蜂群算法

针对人工蜂群算法存在开发与探索能力不平衡的缺点,提出了具有自适应全局最优引导快速搜索策略的改进算法.在该策略中,首先采蜜蜂利用自适应搜索方程平衡了不同搜索方法的探索和开发能力;其次跟随蜂利用全局最优引导邻域搜索方程对蜜源进行精细化搜索,以提高其收敛精度和全局搜索能力.14个标准测试函数的仿真结果表明,相比其他算法,所提出的改进算法有效平衡了算法的开发与探索能力,并提高了其最优解的精度及收敛速度.     

A novel artificial bee colony algorithm with Powell's method

Artificial bee colony (ABC) algorithm is a relatively new optimization technique which has been shown to be competitive to other population-based algorithms. However, there is still an insufficiency in ABC regarding its solution search equation, which is good at exploration but poor at exploitation. To address this concerning issue, we first propose a modified search equation which is applied to generate a candidate solution in the onlookers phase to improve the search ability of ABC. Further, we use the Powell's method as a local search tool to enhance the exploitation of the algorithm. The new algorithm is tested on 22 unconstrained benchmark functions and 13 constrained benchmark functions, and are compared with some other ABCs and several state-of-the-art algorithms. The comparisons show that the proposed algorithm offers the highest solution quality, fastest global convergence, and strongest robustness among all the contenders on almost all test functions.     

Enhanced artificial bee colony algorithm through differential evolution

Artificial bee colony algorithm (ABC) is a relatively new optimization algorithm. However, ABC does well in exploration but badly in exploitation. One possible way to improve the exploitation ability of the algorithm is to combine ABC with other operations. Differential evolution (DE) can be considered as a good choice for this purpose. Based on this consideration, we propose a new algorithm, i.e. DGABC, which combines DE with gbest-guided ABC (GABC) by an evaluation strategy with an attempt to utilize more prior information of the previous search experience to speed up the convergence. In addition, to improve the global convergence, when producing the initial population, a chaotic opposition-based population initialization method is employed. The comparison results on a set of 27 benchmark functions demonstrate that the proposed method has better performance than the other algorithms.     

基于boltzmann选择策略的人工蜂群算法

人工蜂群算法（ABC）是一种基于蜜蜂行为的优化算法。基于Boltzmann选择机制提出了一种改进的人工蜂群算法（BABC）用来优化多变量函数。BABC算法使初始群体均匀化;采用Boltzmann选择机制来代替轮盘赌以防止算法过早收敛。经过实验证明,该算法具有全局搜索能力好,收敛速度快,参数设置少等优点。     

基于分段搜索策略的自适应差分进化人工蜂群算法

针对人工蜂群算法在求解函数优化问题时存在的探索能力强,而开发能力不足和收敛性能差的问题,本文提出一种基于分段搜索策略的自适应差分进化人工蜂群算法。该算法将改进后的差分进化算法中的变异操作引入到观察蜂的局部搜索策略中,让观察蜂在雇佣蜂逐维变异后的当前最优解周围进行局部搜索,并采用分段搜索的方式更新蜜源,以提高其局部搜索能力。仿真实验结果表明,与基本人工蜂群算法相比,改进后的算法有效地平衡了算法的探索能力和开发能力,并提高了算法的寻优精度和收敛速度。