基于多维更新的改进人工蜂群算法

标准人工蜂群算法采用逐维更新的策略,存在前期收敛快、易于陷入局部最优、后期解失去多样性、收敛慢的缺点。本文在解的搜索过程中,利用多维同时更新来增强解的搜索力度,随机选取多维更新的策略在后期增加解的多样性,提出了多维更新的改进人工蜂群算法,加快算法的收敛速度。用标准测试函数对改进的人工蜂群算法做寻优测试,实验结果表明该算法加快了收敛速度,进一步优化了测试函数的最优值,具有良好的寻优效果。     

改进的人工蜂群算法在复杂函数优化中的应用

为快速准确地优化复杂函数,通过引入自适应竞争机制来改进基本人工蜂群算法,并将其应用到复杂函数优化中,实验结果表明该方法在求解速度和精度上明显优于基于遗传算法和基本人工蜂群算法的函数优化方法。     

基于人工蜂群算法的船舶运动模型参数离线辨识

为准确、有效辨识出船舶运动模型的参数,以构建精确的船舶运动模型,将群智能优化算法中的人工蜂群算法引入到船舶运动模型的参数辨识。将船舶运动模型参数辨识问题转化为一个多维变量函数优化问题,分析了人工蜂群算法求解船舶运动模型参数辨识的适应性;给出了采用人工蜂群算法进行船舶运动模型参数辨识的流程。以响应型船舶运动模型参数辨识为例,仿真研究显示,将船舶运动模型参数辨识问题转化成优化问题,通过人工蜂群算法对构建的误差准则目标函数的优化,能够快速找到使得目的函数最优的一组变量,该变量即为辨识得到的模型参数。研究过程及结果表明,文中的技术路线简明且适用,是一种有效的计算机辅助船舶运动模型参数离线辨识方案。     

一种快速高效的人工蜂群算法

针对人工蜂群算法收敛速度慢和易陷入局部最优的缺点,在雇佣蜂搜索阶段提出了一种基于多维搜索和一维搜索的混合搜索策略,能克服单一一维搜索下收敛速度慢的缺点,有效加快收敛速度;提出了新的跟随蜂蜜源选择策略,可保证种群多样性,增强算法全局搜索能力。通过对12个基准测试函数进行仿真实验并与原算法进行比较,其结果表明改进的算法在收敛速度和精度上均优于人工蜂群算法。     

人工蜂群算法综述

讨论人工蜂群算法（ABC, Artificial Bee Colony Algorithm）的开发和应用。首先回顾从2005年以来的开发过程，然后介绍算法的标准版本以及常用的测试函数，最后讨论该算法的一些非标准的改进、应用以及未来潜在的应用领域。     

并行人工蜂群算法研究

针对人工蜂群算法在处理高维度问题时收敛速度慢的问题,利用OpenMP多线程技术和规约机制,并根据已改进的观察蜂来选择雇佣蜂的方式,提出了基于OpenMP的并行人工蜂群算法（PCABC）。仿真实验分别在问题维度为100和200下进行来评估算法性能,在4个逻辑处理器环境下,基于静态调度的并行人工蜂群算法的加速比最高可以达到3.95,效率可达98.65%。实验结果表明,PCABC并行人工蜂群算法在处理高维度复杂函数时,收敛速度和算法运行时间都有较大的提升。     

改进的人工蜂群算法求解任务指派问题

针对指派问题提出了一种改进的人工蜂群算法.该算法充分考虑到指派问题解的离散性特点,给出了食物源位置的离散编码方法,并且采用邻域移动法生成候选食物源,这一方法既保证了解的可行性,又增加了食物源的多样性.实算表明在求解指派问题时,该算法比原人工蜂群算法在求解精度和收敛速度上都有显著地提高,两性能也优于其他粒子群算法.这种改进的离散人工蜂群算法简洁,应用方便,不但是一种有效求解指派问题的新算法,同时也为其他组合优化问题求解提供了一种有益思路.     

人工蜂群算法研究综述

人工蜂群算法是近年来群智能方向的研究热点.首先介绍了蜂群算法的思想,然后从Markov链角度证明了蜂群算法的收敛性,从算法改进和算法应用两个方面对蜂群算法的研究现状进行了总结,与其他算法进行了优缺点的对比,最后指出了蜂群算法进一步研究的方向.     

基于混合人工蜂群策略的改进DV-Hop定位算法

为了减小DV-Hop算法在无线传感器网络节点定位中的误差,提出了一种基于混合人工蜂群算法的改进算法。该算法结合了粒子群算法收敛速度快和蜂群算法搜索能力强的特性,首先通过DV-Hop算法估计锚节点与未知节点之间的距离,然后采用粒子群算法计算未知节点的初始位置,最后利用蜂群算法进行迭代求精,从而实现基于不同距离测量方法的总体优化。仿真结果表明,改进算法的定位精度较DV-Hop算法和基于粒子群的定位算法有明显改善。     

基于人工蜂群算法的粒子滤波目标跟踪

针对基于粒子滤波的视频目标跟踪算法中由于粒子重采样过程而导致粒子贫化的问题,提出了一种基于人工蜂群算法的粒子滤波目标跟踪算法,利用群体智能的特点使得粒子集在重采样前得到优化,保持了粒子的多样性,从而解决了粒子贫化问题,同时增加了有效粒子的数目.实验结果表明,基于人工蜂群算法的粒子滤波跟踪算法,比标准粒子滤波跟踪算法所需粒子数更少,对目标遮挡、较复杂背景有较好的跟踪效果.     

人工蜂群算法的研究综述

人工蜂群算法是一种基于蜜蜂采蜜行为的新兴群体智能算法,通过不同角色蜜蜂间的交流、转换和协作来实现群体智能。基于此,首先阐述了基本ABC算法和二进制ABC算法的原理,然后针对基本ABC算法存在的不足,从四个方面综述了各种改进算法,最后对ABC算法在一些领域中的应用现状和对未来研究方向进行了概括总结。     

受启发的人工蜂群算法在全局优化问题中的应用

 人工蜂群算法是最近提出的一种较有竞争力的优化技术.然而,它的搜索方程存在着探索能力强而开发能力弱的缺点.针对这一问题,受差分进化算法的启发,提出了一个改进的搜索方程.该搜索方程在最优解附近产生新的候选位置以便提高算法的开发能力.进一步,充分利用和平衡不同搜索方程的探索和开发能力,提出了一个改进的人工蜂群算法(简记为IABC).此外,为了提高算法的全局收敛速度,用反学习的初始化方法产生初始解.通过18个标准测试函数的仿真实验并与其他算法相比较,结果表明IABC算法具有良好的处理复杂数值优化问题的性能.     

基于全局无偏搜索策略的精英人工蜂群算法

针对精英人工蜂群算法（ABC_elite）加速收敛和早熟停滞现象的矛盾,提出一种改进算法（EABC_elite）.该算法通过在雇佣蜂阶段引入全局最优解加速收敛,同时通过普通个体平衡全局最优解过大的引导作用,因此全局最优解与普通个体的信息都能得到利用而算法仍能较好平衡.在观察蜂阶段引入普通个体避免算法早熟收敛.改进算法在加速收敛与防止早熟之间取得很好的平衡,总体上没有偏向任何方向,增强了ABC_elite的全局搜索能力.实验表明,改进算法的性能显著好于ABC_elite以及最近提出的几种较高水平的改进人工蜂群算法.     

一种思维进化蜂群算法

人工蜂群算法（ABC ）是一种模拟蜜蜂群智能搜索行为的随机优化算法,已成功用于解决许多优化问题。为有效改善ABC算法的性能,文章结合思维进化的思想提出了一种思维进化蜂群算法（MEABC ）,该算法通过学习和按维更新策略对ABC算法进行了改进,并对改进算法的收敛性进行了分析。通过四个标准测试函数的仿真实验,验证了MEABC算法能有效避免早熟收敛,全局优化能力和收敛速率都有显著提高。     

人工蜂群聚类在雷达信号分选中的应用

针对传统的 K-Means 聚类雷达信号分选算法对初始聚类中心敏感和易陷入局部最优解的缺点,将改进的人工蜂群算法和 K-Means 迭代相结合,提出了一种混合聚类雷达信号分选算法,使算法对初始聚类中心的依赖性和陷入局部最优解的可能性降低,提高了算法的稳定性。通过仿真实验证明该算法分选准确率高,为雷达信号分选提供了新的思路。     

最小属性约简问题的一个有效的组合人工蜂群算法

粗糙集理论中的最小属性约简（MAR ）问题是一个NP-难的非线性约束组合优化问题。本文提出一个新的求解MAR问题的组合蜂群算法,其中,引领蜂、跟随蜂和侦察蜂采用基于变异运算的搜索模式,在邻域候选蜜源的生成中引入与属性子集相关的两个度量,并且跟随蜂采用与引领蜂不同的局部搜索策略以提高搜索多样性。此外,在本文算法中,角色分工不同的蜂群以不同的方式利用迄今最好蜜源的信息进行搜索。在若干UCI数据集上的实验及其统计检验结果表明,本文算法在求解质量上优于其他的元启发式属性约简算法,因而可有效地应用于最小属性约简问题的求解。     

基于改进人工蜂群算法的多阈值红外图像分割

针对传统的多阈值红外图像分割中多阈值选取存在的效率低、计算重复等问题,提出了一种基于改进人工蜂群算法的多阈值红外图像快速分割算法.首先,在阈值选取时引入人工蜂群算法,实现多阈值的选取.然后,针对原始人工蜂群算法存在的收敛速度慢、容易陷入局部最优的缺点,分别从引领蜂搜索、跟随蜂搜索和侦察蜂搜索3个方面进行了改进,使其更快、更准地收敛于最优解.实验表明,相比于原始人工蜂群算法,改进后的算法在精度相同时速度更快,迭代次数相同时结果更接近最优解.该算法能够在保证精度的前提下高效地对红外图像进行多阈值分割,是一种可行的红外图像分割方法.