基于分布估计蜂群算法的多用户检测器

为了提高二进制人工蜂群算法的全局探索能力,提出一种基于分布估计算法的二进制人工蜂群算法,并应用到最优多用户检测技术中,设计出基于分布估计二进制人工蜂群算法的多用户检测方案。该方案采用直接针对离散域的多维邻域搜索策略,加快了收敛速度,避免了连续域到离散域的转换,同时利用分布估计算法获得的全局统计信息产生候选解,提高了算法性能。仿真结果表明,与传统检测器相比,所设计检测器的收敛速度明显加快,误码率性能和抗远近效应能力显著提高。     

全局最优引导的差分演化二进制人工蜂群算法

针对基本二进制人工蜂群算法开采能力弱、收敛速度慢的缺点,提出一种全局最优引导的差分二进制人工蜂群算法。算法仿照粒子群优化,将全局最优参数引入二进制人工蜂群算法中以提高开采能力;同时受差分演化算法中“交叉”操作的启发,提出多维邻域搜索方式,加快收敛速度。采用0-1背包问题进行仿真,实验结果表明与传统算法相比,提出算法不仅寻优能力增强且收敛速度明显提高。对于10维背包问题,提出算法的收敛速度比基本二进制人工蜂群算法提高近10倍。     

求解连续空间优化问题的改进蜂群算法

为了有效地解决人工蜂群算法容易陷入局部最优的缺陷,提出了一种改进蜂群算法。首先,利用反向学习方法构建初始种群,以提高初始化解的质量。同时,利用分布估计算法构造优秀个体解空间的概率模型以进行邻域搜索,以改善算法的搜索性能并防止陷入局部最优。对连续空间优化问题进行了仿真实验,结果表明改进算法具有较快的收敛速度,全局寻优能力显著提高。     

求解高维函数优化问题的混合蜂群算法

为了提高人工蜂群算法求解复杂优化函数的全局搜索能力,提出了多父体杂交算法、差分进化算法和蜂群算法的混合蜂群算法(Hybrid artificial bcc colony algorithm, HABC) 。 HABC的核心在于,采用多父体杂交算子提高人工蜂群算法的全局搜索能力,通过淘汰相同个体保证群体的多样性,利用差分进化算子加快人工蜂群算法的收敛速度。高维函数优化问题的仿真结果表明,该算法全局搜索能力好,收敛速度快。     

人工蜂群算法的收敛性分析

利用随机过程理论,对人工蜂群算法收敛性进行理论分析,给出人工蜂群算法的一些数学定义和蜜源位置的一步转移概率,建立人工蜂群算法的Markov链模型,分析此Markov链的一些性质,论证了人工蜂群状态序列是有限齐次Markov链,且状态空间是不可约的。结合随机搜索算法的全局收敛准则,证明了人工蜂群算法能够满足随机搜索算法全局收敛的两个假设,保证算法的全局收敛。     

嵌入粒子群优化算法的混合人工蜂群算法

为了克服人工蜂群算法存在的早熟收敛、后期收敛速度变慢等缺点,提出了一种基于粒子群优化算法的混合人工蜂群算法(PABC).对陷入局部极值的雇佣蜂,采用粒子群优化算法对其重新进行初始化.粒子群优化算法具有很强的全局搜索性能,能使陷入局部极值的雇佣蜂尽快摆脱局部约束.测试函数的计算结果表明,改进的人工蜂群算法大大提高了蜂群算法的寻优能力,在收敛速度和精度方面均优于基本蜂群算法.     

人工蜂群算法的收敛性分析:数形结合

现有人工蜂群算法的收敛性分析多是基于整体收敛性的分析方法,这些收敛性分析无法展现出人工蜂群算法在收敛过程中的收敛变化。文中采用数形结合的方式,结合目标函数图像,用阶段性分析的方法大致把蜂群算法的收敛过程分为全局搜索阶段和最优区域搜索阶段,利用人工蜂群算法在转移时需遵循一定程度上的平均分布的特征,逐步分析每个阶段的收敛过程和变化,最终得出人工蜂群算法的收敛结果和收敛特征。该方法可以清晰地展现出人工蜂群算法的收敛优势和缺陷以及算法收敛概率的变化过程。     

基于改进全局人工蜂群算法的WSN节点定位研究

无线传感器网络(Wireless Sensor Network,WSN)系统性能的提高,离不开对WSN中每一个传感器节点地理位置的精准定位。全局人工蜂群算法在基本人工蜂群算法的基础上,在邻域搜索后将迭代最优解添加到新解的更新公式中,提高了算法的开发能力。但将其应用于WSN节点位置求解时,存在计算时间长、收敛不稳定的问题。提出一种改进的全局人工蜂群算法,在邻域搜索后对新解进行衡量,若新解适应值在可接受的范围内,与迭代最优解进行交叉操作;若新解适应值较好,不与迭代最优解进行交叉操作;若新解适应值较差,舍弃新解。这较好地平衡了算法的探索和开发能力。求解WSN节点位置时,证明了该算法有更快的收敛速度和更好的收敛效果。     

一种无人机三维航迹规划算法研究

在研究无人机三维航迹规划问题时,针对基于传统人工蜂群算法易陷入局部最优值、后期收敛速度变慢、寻优效率低的问题,提出了一种改进人工蜂群算法的无人机航迹规划方法。首先,在建立包括经纬度、海拔高度信息的三维飞行区域模型后,加入了地形约束模型,并引入新的综合航迹代价评价方式。然后,在算法中引入自适应搜索策略、新型概率选择策略与Logistic混沌搜索算子来增强其对原始信息的开采能力,提高其收敛速度以及加强其鲁棒性。最后,通过三维航迹规划仿真和面对突发威胁的局部航迹再规划仿真对所提算法的有效性进行了验证。结果表明,改进后的算法提高了全局收敛能力,在收敛速度和精度上优于遗传算法和传统人工蜂群算法,适合用来解决无人机的三维航迹规划问题。     

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。     

基于人工蜂群算法的灌区水资源优化配置方法

灌区水资源优化配置对于提高灌溉的水资源利用率,增加灌区经济效益,降低地下水的消耗速度,促进水资源可持续发展,建立良好的生态环境具有重要意义。综合考虑灌区有效降雨量与作物需水量,建立以灌区经济效益最大化为目标的水资源优化配置模型,采用人工蜂群算法对水资源优化配置模型进行求解,以江苏省宿迁市皂河灌区为实例,对基于人工蜂群算法的灌区水资源优化配置方法的实际应用效果进行验证。结果表明：相比传统经验式配水方法,所提出的灌区水资源优化配置方法可使灌区经济效益达到 8.33 亿元,总用水量减少约 1 000 万 m³ ,且用水量主要来自地表水,灌区作物水资源分配情况更加合理,同时灌区的作物种植结构也得以改善。     

Elite-guided multi-objective artificial bee colony algorithm

Multi-objective optimization has been a difficult problem and a research focus in the field of science and engineering. This paper presents a novel multi-objective optimization algorithm called elite-guided multi-objective artificial bee colony (EMOABC) algorithm. In our proposal, the fast non-dominated sorting and population selection strategy are applied to measure the quality of the solution and select the better ones. The elite-guided solution generation strategy is designed to exploit the neighborhood of the existing solutions based on the guidance of the elite. Furthermore, a novel fitness calculation method is presented to calculate the selecting probability for onlookers. The proposed algorithm is validated on benchmark functions in terms of four indicators: GD, ER, SPR, and TI. The experimental results show that the proposed approach can find solutions with competitive convergence and diversity within a shorter period of time, compared with the traditional multi-objective algorithms. Consequently, it can be considered as a viable alternative to solve the multi-objective optimization problems.     

一种结合人工蜂群和K-均值的混合聚类算法

传统的K-均值聚类算法虽然收敛速度快,但由于过度依赖初始聚类中心,算法的鲁棒性较差。为此,提出了一种改进人工蜂群算法与K-均值相结合的混合聚类方法,将改进人工蜂群算法能调节全局寻优能力与局部寻优能力的优点与K-均值算法收敛速度快的优点相结合,来提高算法的鲁棒性。实验表明,该算法不仅克服了传统K-均值聚类算法稳定性差的缺点,而且聚类效果也有了明显改善。     

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。     

蜂群算法研究综述*

蜂群算法是一种模仿蜜蜂繁殖、采蜜等行为的新兴的群智能优化技术,近几年备受研究者关注。初步探讨了蜂群算法的理论基础,详细论述了基于蜜蜂繁殖行为和采蜜行为的两类蜂群算法的生物学机理及其最常见算法的应用研究情况,并分析比较了遗传算法、蚁群算法、粒子群算法和蜂群算法的优缺点、适用范围及性能。最后,总结了现有蜂群算法存在的问题,并指出其未来的研究方向。     

基于动态搜索策略的人工蜂群算法

为避免人工蜂群算法陷入早熟,提出一种基于动态搜索策略的人工蜂群算法,新算法改进了人工蜂群算法的搜索策略,将两种不同的搜索策略组合成新的搜索策略,以便动态利用两种不同搜索策略的优点,平衡了算法的局部搜索能力和全局搜索能力。基准函数的仿真实验表明,新算法收敛速度快、求解精度高、鲁棒性较强,适合求解高维复杂的全局优化问题。     

一种改进人工蜂群的分数阶PID控制器优化算法

针对分数阶PID控制器参数整定过程参数多复杂性大,传统靠经验试凑的方法不易实现且优化效果差的问题,提出了一种改进的人工蜂群算法,实现分数阶PID控制器参数的整定;该算法通过改进人工蜂群算法中搜索方程,并引入一个淘汰机制,对分数阶控制器参数进行群智能搜索,将搜索到的参数送至分数阶PID控制器中反复迭代,以带有权值的误差绝对值积分指标(AIE)作为人工蜂群寻优的目标函数,最后得出控制器;本文以非线性系统为被控对象,经过实例仿真,验证了该算法实现的控制器比传统整数阶控制器和未改进的人工蜂群算法实现的分数阶控制器的动态性能和稳态性能都有所提高,在超调、上升时间、振荡性方面都优于未改进算法。     

基于新型人工蜂群算法的分布式不相关并行机调度

针对考虑预防性维修的分布式不相关并行机调度问题,提出了一种新型人工蜂群算法(ABC)以最小化最大完成时间.为了获得高质量的计算结果,该算法将整个种群划分为1个引领蜂群和3个跟随蜂群,跟随蜂有自己的蜜源且采用新方式跟随引领蜂, 4种蜂群运用彼此各异的搜索策略产生新解以增强种群多样性,提出一种新策略处理侦查蜂的搜索,并利用优化数据更新整个种群.通过大量仿真实验验证了新型ABC在求解所研究问题方面的有效性和优势.