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。     

病毒进化理论人工蜂群算法研究

为了提高人工蜂群算法的搜索性能,引入了连续状态下的生物病毒机制和宿主与病毒基于感染操作等思想优化人工蜂群算法搜索机制。人工蜂群算法具有控制参数少、实现简单的优点,但是由于蜂群收敛采用局部搜索,使得算法易于早熟收敛或者陷入局部最优值。通过病毒进化对人工蜂群算法进化机制的分析,利用病毒的感染与进化,建立精英雇佣蜂对懒惰蜂引导,提高人工蜂群算法的搜索性能,加强群体的多样性,提高了局部搜索能力。仿真实验表明这种方法较常见的人工蜂群算法,有较明显收敛速度和搜索精度改进。     

基于Nelder-mead单纯形法的改进人工蜂群算法研究

针对现有的人工蜂群算法（Artificial Bee Colony,ABC）在进化速度和求解质量方面难以兼顾的缺点,提出一种基于Nelder-mead单纯形法的改进人工蜂群算法（Nelder-Mead Simplex Method based Improved Artificial Bee Colony,NMSM-IABC）。在迭代过程中,该算法周期性地将单纯形算子得到的最优个体迁移到人工蜂群算法的蜂群中,或将蜂群中的最优蜜源信息迁移到Nelder-mead单纯形算法中。旨在ABC借助NM-SM提高局部搜索能力,NM-SM借助ABC跳出局部最优点,达到两者协同搜索。再者,为了进一步加快收敛速度,在ABC中采用一种改进的跟随蜂搜索策略,并对产生侦察蜂的关键参数进行灵敏度分析。最后,通过6个典型的多维测试函数对算法进行仿真测试。结果表明：提出的算法有效地避免了陷入局部最优,提高全局搜索能力和搜索精度,有较快的收敛速度,是一种较好的协同搜索算法。     

基于向量整体扰动的快速收敛人工蜂群算法

针对标准人工蜂群算法收敛速度慢和易陷入早熟收敛等问题,提出一种快速收敛人工蜂群算法。首先借助反向学习理论初始化种群来提高初始解的分布质量,并在雇佣蜂和跟随蜂阶段引入向量整体扰动搜索方程加快局部搜索;然后为了跳出局部最优,采用一种随机更新搜索策略来增加蜂群多样性以平衡全局探索和局部利用能力;最后通过八个标准测试函数的仿真实验,发现所提出的算法与几个改进的人工蜂群算法相比,具有更快的收敛速度且获得了更高的求解精度,验证了算法的优越性。     

量子粒子群优化的人工蜂群算法

针对传统的人工蜂群算法在求解函数优化问题中具有收敛速度慢、局部搜索能力低的缺点,将量子粒子群优化算法中粒子位移的更新方法引入到跟随蜂的局部搜索策略中,使人工蜂群具有更高的局部搜索能力.6个标准测试函数的仿真实验结果表明:与传统的人工蜂群算法相比,改进后的人工蜂群算法在收敛速度和寻优精度上大幅提高.     

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。     

具有人工蜂群搜索策略的差分进化算法

针对差分进化算法易出现早熟现象和收敛速度慢等问题,提出一种具有人工蜂群搜索策略的差分进化算法.利用人工蜂群搜索策略很强的探索能力,对种群进行引导以帮助算法快速跳出局部最优点.此外,为了提高算法的全局收敛速度,采用一种基于反学习的初始化方法.通过对12个标准测试函数进行仿真实验并与其他算法相比较,表明了所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力.     

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。     

基于排序选择和精英引导的改进人工蜂群算法

针对人工蜂群算法收敛速度较慢、收敛精度不高的问题,提出一种基于排序选择和精英引导的改进人工蜂群算法.分析观察蜂概率选择方法在适应值变化时对于精英个体优选的不足,提出一种排序选择方法,用以替代概率选择方法,从而提高算法的收敛速度.利用精英个体对搜索的引导作用,分别提出针对采蜜蜂和观察蜂的改进邻域搜索方程,从而提高算法的搜索效率.与其他人工蜂群算法的对比结果表明,所提出的改进方法能够有效提升算法的收敛速度和收敛精度.     

基于阈值搜索的多目标人工蜂群算法

为了平衡人工蜂群算法局部开发能力和全局搜索能力,提高算法收敛速度,提出一种基于阈值搜索的人工蜂群算法.首先,提出一种混沌镜像初始化方法,保证初始种群的多样性和优异性;然后,利用个体阈值动态调整搜索半径,提高搜索精度和收敛速度,考虑外部档案解的开发次数,合理选择精英解来引导进化.在11种测试函数上与其他几种算法对比的仿真结果表明,所提出算法具有较好的分布性和收敛性.     

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。     

受强弱关系理论启发的改进人工蜂群算法

针对原人工蜂群算法在寻优过程中存在收敛精度不高、容易陷入局部最优的问题,提出一种改进人工蜂群算法(SWT-ABC)。将社会学中强弱关系模型化并引入多子群矩阵式蜂群结构,定义了强关系个体从三个方向随机引导搜索,加快算法收敛速度和提高收敛精度;为增强算法跳出局部最优的能力,定义了弱关系个体交互以实现子群间信息交流来提升种群多样性;增加侦查蜂反向学习机制并确定合适的蜜源上限,能有效提升目标函数评价次数的利用效率。通过基准测试函数的数值实验并与12种改进算法进行对比,改进后的人工蜂群算法收敛精度更高、全局寻优能力更强,并且在高维优化问题求解中仍具备良好的收敛性能。     

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。     

混沌搜索策略的改进人工蜂群算法

针对人工蜂群算法的蜂群缺乏多样性、全局和局部搜索能力差及收敛速度较慢,提出一种基于混沌搜索策略的改进人工蜂群算法。该算法通过载波映射,由混沌-决策变量的变换,产生新的邻域点,为采蜜蜂和被招募的观察蜂提供了更广阔的搜索空间和更优质的位置蜜源,增强蜂群多样性;同时,引进侦查蜂局部蜜源搜索较好地解决了算法易陷入局部极小的问题,改善了人工蜂群算法的收敛性能。最后由6个标准测试函数的仿真验证,得到基于混沌搜索策略的人工蜂群算法性能明显优于标准人工蜂群算法。     

引入混合蛙跳搜索策略的人工蜂群粒子群算法

由于标准粒子群算法易于陷入局部最优和收敛速度慢等问题,提出了一种引入人工蜂群搜索策略和混合蛙跳搜索策略的粒子群算法（ABCSFL-PSO）。使用人工蜂群的搜索策略提高算法的探索能力,避免算法陷入局部最优;使用蛙跳算法中更新最差粒子的策略,来加快算法收敛速度,并进一步提高求解精度。在12个标准测试函数上的仿真实验结果表明,算法性能优良,不仅能够避免陷入局部最优,而且显著提升了收敛速度。     

基于模糊C均值的改进人工蜂群聚类算法*

传统的模糊C-均值聚类算法存在对初始聚类中心选择与噪声数据敏感,容易使目标函数陷入局部最优的问题以及标准人工蜂群算法局部搜索能力及开发能力不强的缺点,针对这个问题,引进差分进化的思想改进人工蜂群算法并对跟随蜂的搜索行为进行更准确的描述,结合模糊C-均值聚类算法具有收敛速度快、易于实现且局部搜索能力较强的优点,提出一种基于模糊C-均值的改进人工蜂群聚类算法以提高聚类的性能。实验结果表明：该算法相对于传统FCM聚类算法,准确率和抗噪性有所提高,聚类的效果更好。     

异维学习人工蜂群算法*

针对人工蜂群算法局部搜索能力弱及易陷入局部最优的缺点,提出了一种改进的人工蜂群算法。首先,雇佣蜂使用全局最优引导的搜索策略,且引导程度随个体试验次数()自适应减小,以此平衡算法的全局和局部搜索能力。其次,观察蜂采用变异的异维学习策略,使算法的搜索具有跳跃性,以提高跳出局部最优的概率。对8个经典基准测试函数和CEC2013中8个复合基准函数的测试结果表明,与多种最近提出的类似算法相比,新算法在收敛速度和解的精度均具有显著优势。