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。     

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。     

基于禁忌搜索的人工蜂群算法

针对人工蜂群算法（Artificial Bee Colony,ABC）邻域搜索能力不强且容易陷入局部最优的不足,引入禁忌搜索的思想,提出了基于禁忌搜索的人工蜂群算法（TS_ABC）。TS_ABC算法在ABC算法的基础上加入两个禁忌表,分别记为禁忌表T1和禁忌表T2。禁忌表T1的长度是有限的,存储蜜蜂访问过的当前解;禁忌表T2的长度是无限的,存储优化[limit]次后没有改进的解。蜜蜂在蜜源位置搜索新解时要跳过禁忌表里的解,这样避免了重复搜索,增强了邻域搜索能力,克服了容易陷入局部最优。15个标准函数上实验结果表明：（1）TS_ABC的性能优于ABC算法;（2）在求解多峰函数最优解时,TS_ABC性能更加优于ABC算法;（3）随着函数维数的增加,相对于ABC算法,TS_ABC性能提高更多。3个标准函数上实验结果表明：TS_ABC算法性能优于ABC算法,即提出的使用两个禁忌表的方法优于只使用一个禁忌表的方法。     

基于分段搜索策略的改进蜂群算法

针对基本人工蜂群算法在解决优化问题时收敛速度不够快、易陷入局部最优的缺陷,提出一种改进蜂群算法.该算法采用“分段搜索”方式对食物源进行贪婪更新,以提高食物源更新的成功率;同时,招募所有观察蜂选择当前最优食物源,以实现对最优食物源的充分优化.对经典测试函数反复实验的结果表明,改进算法计算结果稳定,与基本蜂群算法相比,加速收敛效果非常明显,全局搜索能力显著提高,运行时间大大缩短.     

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。     

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.     

Modified Artificial Bee Colony Algorithm with Self-Adaptive Extended Memory

To solve the problem of the poor solution precision and convergence speed in the artificial bee colony (ABC) algorithm, in this article we propose a modified algorithm called ABC algorithm with self-adaptive extended memory (ABCSEM) algorithm. First, the extended memory is introduced to store employed bees’ historical information comprising recent food sources, personal best food sources, and global best food sources. Furthermore, the extended memory is added to the solution search equation to improve the exploitation capability. Experimental results conducted on a set of numerical benchmark functions show that the ABCSEM algorithm can outperform the ABC algorithm in most of the tested functions.     

基于极值优化策略的改进的人工蜂群算法

为提高人工蜂群算法在求解优化问题中的性能,结合极值优化策略提出一种改进的人工蜂群算法.改进算法基于极值优化策略高效率的寻优机制重新设计了原算法中跟随蜂的局部搜索方案,并具体给出了新方案的组元变异算子和最差组元判定规则.通过对优化问题中8个典型测试函数的仿真实验表明,与基本人工蜂群算法和已有的典型改进算法相比,改进算法在寻优精度和收敛速度上均有明显提高,在优化问题求解中体现出较强的寻优能力.     

混合排名映射概率和混沌搜索的ABC算法

针对由于人工蜂群算法(Artificial Bee Colony algorithm,ABC)采用直接映射概率选择食物源而引起收敛速度慢、陷入局部最优等问题,提出一种混合排名映射概率和混沌搜索的人工蜂群算法((Artificial Bee Colony algorithm based on Hybrid rank mapping probability and Chaotic search,ABC-HC))。首先,利用目标函数值的排名来获取选择食物源的排名映射概率,并提出计算排名映射概率的两种方法;然后,在观察蜂阶段,融合这两种计算概率的方法,即不同的搜索阶段采用不同的排名映射方法计算食物源选择概率,构造基于混合排名映射概率的人工蜂群算法,以便能够维持种群的多样性避免陷于局部最优;最后,在侦查蜂阶段,使用混沌搜索替代随机搜索以便进一步提高收敛速度,最终获得较好的全局最优解。对10个标准测试函数进行仿真,结果表明,ABC-HC算法不仅提高了收敛速度,而且更能跳出局部最优,有效地找到全局最优解,优于标准的ABC算法和进化算法。     

基于排名映射概率的混沌人工蜂群算法

针对人工蜂群算法(Artificial Bee Colony algorithm,ABC)因直接采用函数值映射的概率选择食物源而引起过早收敛和陷入局部最优以及优化精度不高的问题,提出一种基于排名映射概率的混沌人工蜂群算法(Chaotic Artificial Bee Colony algorithm based on Rank mapping probability,CABC-R)。首先利用目标函数值的排名映射获取选择食物源的概率,然后构建基于排名映射概率的人工蜂群算法以便能够维持种群的多样性,获得较好的全局最优解,最后创建较高寻优精度的新型局部混沌优化算法精确寻找最优解。对10个标准测试函数进行了仿真,结果表明,CABC-R算法不仅优化效果更准确而且更能跳出局部最优,有效地找到全局最优解,优于标准的ABC、JADE、 MSEP 和 RABC算法。     

一种改进搜索策略的人工蜂群算法

为克服人工蜂群算法原有搜索策略存在探索能力强而开采能力弱的缺点,受差分进化算法的启发,提出了一种新的搜索策略,在种群最优解的附近产生新的候选位置,有助于提高人工蜂群算法的开采能力.同时,为了平衡算法的探索和开采能力,将种群中的个体随机分成两组,每组采用不同的搜索策略同时寻优.对6个基准测试函数进行仿真的结果表明,改进的搜索算法相比基本人工蜂群算法能有效地改善寻优性能,增强算法摆脱局部最优的能力.     

基于人工蜂群算法的DV-Hop定位改进

针对无线传感器网络无需测距依赖的DV-Hop定位算法节点定位精度不高的问题,将鲁棒性强、收敛速度快且全局寻优性能优异的人工蜂群算法引入到DV-Hop算法的设计中,提出了一种ABDV-Hop(Artificial Bee ColonyDV-Hop)算法。该算法在传统DV-Hop算法的基础上,利用节点间的距离和锚节点的位置信息,在DV-Hop算法的最后阶段,通过建立目标优化函数,实现对未知节点坐标的估计。仿真结果表明,与传统DV-Hop算法相比,在不增加传感器节点的硬件开销的基础上,改进算法能有效降低定位误差。     

基于平均熵的自适应人工蜂群算法

针对基本人工蜂群算法容易陷入局部最优和早熟等问题,提出一种改进的人工蜂群算法(ASABC)。利用平均熵机制初始化种群,增加种群的多样性,避免算法陷入早熟;同时,采用自适应调节邻域搜索步长的策略来提高算法的局部搜索能力,提升算法的计算精度;为了平衡算法的全局搜索能力和局部搜索能力,引入自适应比例选择策略来代替人工蜂群算法的适应度比例选择方法。对8个标准测试函数的仿真实验结果表明,与3种常见的智能优化方法相比,改进的算法具有显著的局部搜索能力和较快的收敛速度。