基于搜索能力均衡的人工蜂群算法

鉴于标准人工蜂群算法（ABC）局部开发能力不足,提出一种改进搜索策略的人工蜂群算法（IABC）。为提高ABC的局部开发能力,在其雇佣蜂阶段引入了一个新的具有最好个体引导的解搜索方程,为均衡ABC的搜索能力,在ABC跟随蜂阶段的搜索策略中引入了新的随机因素以增强ABC的全局探索能力,为了进一步平衡全局探索和局部开发能力,改进了ABC的侦察蜂搜索机制。为验证IABC的收敛效果,通过在12个复杂基准测试函数上的仿真实验并与其他算法相比较,发现IABC的收敛性能有显著提高。     

改进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、收敛精度低的问题,给出一种改进的人工蜂群算法用于数值函数优化问题。在ABC的邻域搜索公式中利用目标函数自适应调整步长,并根据迭代次数非线性减小侦查蜂的搜索范围。改进ABC算法提高了ABC算法的局部搜索能力,能够有效避免早熟收敛。基于6个标准测试函数的仿真实验表明,改进ABC算法的寻优能力有较大提高,对于多个高维多模态函数该算法可取得理论全局最优解。与对比算法相比,该算法具有更高的收敛精度,并且收敛速度更快。     

具有学习及十字交叉搜索的人工蜂群算法

为克服人工蜂群算法搜索策略的局部搜索能力较弱且计算资源分布不均匀等缺点,提出了一种改进人工蜂群算法。首先对雇佣蜂和瞭望蜂,分别设计了新搜索策略,提高了在精英解和全局最好解邻域内的搜索能力;其次对依概率选取的瞭望蜂,采用局部学习策略,加快了收敛速度并增强了全局寻优能力;最后为平衡全局搜索和局部开发,利用十字交叉搜索增强瞭望蜂和全局最好解的局部搜索能力,维持了种群多样性,从而避免了早熟收敛现象。对10个标准测试函数和30个CEC2014测试函数集进行仿真实验,并与四种人工蜂群算法和两种非人工蜂群算法进行比较,结果表明改进的人工蜂群算法全局寻优能力强且提高了收敛速度和精度。     

具有混沌搜索策略的蜂群优化算法

提出一种改进人工蜂群局部搜索能力的优化算法,对陷入局部最优值的雇佣蜂,使用禁忌表存储其局部极值,并引入混沌序列重新初始化,在迭代中产生局部极值的邻域点,帮助其逃离束缚并快速搜寻到最优解.改进算法有效地结合标准蜂群算法的全局优化能力、禁忌表的记忆能力和混沌局部搜索能力,对经典函数的测试计算表明,改进算法提高r蜂群寻优能力,在收敛速度和精度上均优于标准蜂群算法,适合工程应用中的复杂函数优化问题.     

基于反馈机制和丛林法则的人工蜂群算法

为了解决人工蜂群算法（ABC）容易陷入局部最优、易早熟收敛等问题,提出一种基于反馈机制和丛林法则的人工蜂群算法（Artificial Bee Colony algorithm based on Feedback and the Law of the jungle,LFABC）。该算法在全局搜索公式中引入反馈机制,直接搜索最优解可能存在的区域,提高了算法的开发能力和收敛速度。同时加入线性微分递增策略,平衡算法各个阶段的开发能力和探索能力。根据丛林法则,该算法随机选择较差个体进行初始化,有效防止算法陷入局部最优。实验结果证明,LFABC算法有效提高了算法的收敛精度,且其收敛速度非常突出。     

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。     

基于改进蜂群聚类的欠定盲源分离

针对欠定盲分离中混合矩阵估计精度不高的问题,采用了改进的人工蜂群（ABC）聚类算法。从观测信号的线性聚类特点和蜂群的多样性考虑,改进雇佣蜂的搜索策略,从而加快算法的收敛速度。同时,引入基于Levy飞行的局部搜索方法,进一步对当前最优解的邻域进行搜索,提高ABC算法局部开发能力。仿真结果表明,该方法在源个数较多的情况下仍然有较高的混合矩阵估计精度。     

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。     

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。     

多搜索策略协同进化的人工蜂群算法

针对人工蜂群算法存在的计算精度不高、收敛速度较慢的缺点,提出一种多搜索策略协同进化的人工蜂群算法.所提出的算法在引领蜂和跟随蜂进行邻域搜索时,动态调整搜索的维数以提高搜索效率,并结合人工蜂群算法不同搜索策略的特点,使其协同进化,以平衡算法的局部搜索能力和全局搜索能力.14个基准函数的仿真实验结果表明,所提出的算法能有效改善寻优性能,增强摆脱局部最优的能力.与其他一些改进的人工蜂群算法相比,具有较快的收敛速度和较高的求解精度.     

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.     

An Artificial Bee Colony algorithm with guide of global & local optima and asynchronous scaling factors for numerical optimization

Artificial Bee Colony (ABC) algorithm is a wildly used optimization algorithm. However, ABC is excellent in exploration but poor in exploitation. To improve the convergence performance of ABC and establish a better searching mechanism for the global optimum, an improved ABC algorithm is proposed in this paper. Firstly, the proposed algorithm integrates the information of previous best solution into the search equation for employed bees and global best solution into the update equation for onlooker bees to improve the exploitation. Secondly, for a better balance between the exploration and exploitation of search, an S-type adaptive scaling factors are introduced in employed bees’ search equation. Furthermore, the searching policy of scout bees is modified. The scout bees need update food source in each cycle in order to increase diversity and stochasticity of the bees and mitigate stagnation problem. Finally, the improved algorithms is compared with other two improved ABCs and three recent algorithms on a set of classical benchmark functions. The experimental results show that the our proposed algorithm is effective and robust and outperform than other algorithms.     

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.     

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。     

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.     

改进的混合人工蜂群算法的研究

为了解决基本人工蜂群算法（ABC）早熟收敛、容易陷入局部最优、收敛精度不高等问题,提出一种混合改进的人工蜂群算法（RABC）。首先,为了平衡ABC的全局寻优能力,在初始化种群阶段引入了混沌算子和逆向学习算子,而后为了提高局部寻优能力,在采蜜蜂的检索方程中引入了最优引导个体,最后,为了提高收敛精度和加快后期收敛速度,改进了侦察蜂的检索机制。为了验证RABC算法的收敛效果,通过在3个标准测试函数上的仿真实验,并与基本ABC算法比较,发现RABC的收敛性能有显著提高。     

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。     

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。     

具有角色转换的自适应人工蜂群算法

提出一种具有引领蜂与跟随蜂动态协调机制的改进人工蜂群算法（DHABC）。根据优化函数的寻优状态,设计了引领蜂与跟随蜂动态角色转换机制,以更好地适应全局和局部搜索;为使算法能够更好地进行局部兼顾更大范围搜索,设计了引领蜂与跟随蜂间位置信息的共享方式;为提高算法的求解速度,设计了跟随蜂进化代数起始值的计算方法;通过仿真和比较实验,改进算法较其他ABC改进算法及其他智能优化算法既参数少,便于应用,又求解精度较高。     

基于精英解和随机个体邻域信息的改进人工蜂群算法

针对人工蜂群(ABC)算法开发能力差、收敛速度慢的缺点,分别提出适用于雇佣蜂和观察蜂阶段的搜索方程,其中前者用到精英解、随机选择个体及其邻域的有益信息,后者用到群体最优解的信息.所提出的搜索方程在一定程度上不仅能够加快改进算法的收敛速度,而且由于随机选择个体的引入在一定意义上可以保证算法的探索能力.对22个基准测试函数的仿真实验结果表明,所提出的算法在大多数测试函数上的性能优于对比算法.