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。     

基于混合人工蜂群算法的多目标柔性作业车间调度问题研究

传统的优化算法在求解面对多目标柔性作业车间调度时,往往求解效率低且难以获得最优解。为了求解多目标柔性作业车间调度问题,设计了混合人工蜂群算法。种群的初始化采用了多种方法相结合的策略。在人工蜂群算法的不同阶段采用不同的搜索机制,在雇佣蜂阶段采用开发搜索,针对跟随蜂阶段蜜蜂跟随的对象的优秀解进行小幅度的更新,从而提高了搜索的表现。禁忌搜索与改进的人工蜂群算法相结合,有效的提升了获得最优解的概率。通过相关文献中的标准实例对设计的混合人工蜂群算法进行一系列求解测试,实验的结果有效的说明了算法在求解柔性作业车间调度问题时效果显著。通过求解结果对比表明人工蜂群算法的高效性和优越性。     

具有自适应搜索策略的混合人工蜂群算法

基本人工蜂群算法及其搜索策略侧重探索,为增强算法的开发能力,提出一种具有自适应搜索策略的混合人工蜂群算法。将目标函数值信息和最优解引导信息引入搜索策略,提出具有自适应机制、开发能力强的搜索策略;为防止“早熟”现象,利用三个不同随机食物源和高斯分布,设计出全局探索能力较强的搜索策略。将两个搜索策略在雇佣蜂阶段混合以平衡算法的探索与开发能力,在观察蜂阶段使用具有自适应机制、开发能力强的搜索策略以加快收敛。与基本及具有代表性的改进人工蜂群算法在20个标准测试函数中进行对比实验,结果表明所提算法具有更好的搜索能力和更快的收敛速度。     

基于Memetic框架的混沌人工蜂群算法

针对无约束优化问题,提出一种新颖的混沌人工蜂群算法。新算法在Memetic算法框架的基础上,采用人工蜂群算法作为全局搜索算法,采用混沌搜索算子作为局部搜索算法。为了进一步提升算法的开采能力,新算法的侦察蜂抛弃了随机生成新食物源的方法,采用针对陷入局部极值食物源进行混沌局部搜索生成候选食物源的方式。针对五个标准Benchmark函数的仿真实验结果显示,与标准人工蜂群算法相比,新算法求解精度具有一定优势。     

多目标粒子群和人工蜂群混合优化的阈值图像分割算法

在图像分割中,为了准确地把目标和背景分离出来,提出了一种基于多目标粒子群和人工蜂群混合优化的阈值图像分割算法。在多目标优化的框架下,将改进的类间方差准则和最大熵准则作为适应度函数,通过粒子群和蜂群混合优化这2个适应度函数来获得1组非支配解。同时,为了提高全局和局部搜索能力,在蜂群进化时,将粒子群的全局最优解引入到人工蜂群算法的雇佣蜂阶段蜜源的更新中,并对搜索方程进行改进。最后通过类间差异和改进的类内差异的加权比值,从一组非支配解中选取最优阈值。实验结果表明,该算法能够取得理想的分割结果。     

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。     

引入人工蜂群搜索算子的粒子群算法

针对标准粒子群算法易出现早熟现象和收敛速度慢等问题,提出一种引入人工蜂群搜索算子的粒子群算法.首先利用人工蜂群搜索算子很强的探索能力,对粒子搜索到的历史最优位置进行搜索以帮助算法快速跳出局部最优点;然后,为了提高算法的全局收敛速度,提出一种基于混沌和反学习的初始化方法.通过12个标准测试函数的仿真实验并与其他算法相比较,所得结果表明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.     

Linkage artificial bee colony for solving linkage problems

Nature-inspired meta-heuristics have gained popularity for the solution of many real world complex problems, and the artificial bee colony algorithm is one of the most powerful optimisation methods among the meta-heuristics. However, a major drawback prevents the artificial bee colony algorithm from accurately and efficiently finding final solutions for complex problems, whose variables interact with each other. We propose a novel optimization method based on the artificial bee colony algorithm and statistics. The proposed optimization method is evaluated for Pott models and optimization linkage functions, and the proposed method is verified to outperform traditional artificial bee colony and other meta-heuristics for those cases.     

Multilevel thresholding selection based on the artificial bee colony algorithm for image segmentation

Multilevel thresholding is an important technique for image processing and pattern recognition. The maximum entropy thresholding (MET) has been widely applied in the literature. In this paper, a new multilevel MET algorithm based on the technology of the artificial bee colony (ABC) algorithm is proposed: the maximum entropy based artificial bee colony thresholding (MEABCT) method. Four different methods are compared to this proposed method: the particle swarm optimization (PSO), the hybrid cooperative-comprehensive learning based PSO algorithm (HCOCLPSO), the Fast Otsu’s method and the honey bee mating optimization (HBMO). The experimental results demonstrate that the proposed MEABCT algorithm can search for multiple thresholds which are very close to the optimal ones examined by the exhaustive search method. Compared to the other four thresholding methods, the segmentation results of using the MEABCT algorithm is the most, however, the computation time by using the MEABCT algorithm is shorter than that of the other four methods.     

具有双重认知能力的人工蜂群算法及性能分析

针对人工蜂群算法在解决单峰问题时收敛速度过慢而在优化多峰问题时易陷入局部最优值的问题,依据群体动力学原理,引入"自我认知能力"和"社会认知能力"对蜂群觅食时的蜜源搜索策略进行改进,提出了具有双重认知策略的人工蜂群算法。用经典的标准测试函数进行了实验并与其他改进算法进行了比较,结果表明,改进的搜索策略提高了算法的优化能力,优于其他改进的人工蜂群算法。     

一种带规范知识引导的改进人工蜂群算法

针对数值函数优化问题,提出一种改进的人工蜂群算法.受文化算法双层进化空间的启发,利用信度空间中的规范知识引导搜索区域,自适应调整算法的搜索范围,提高算法的收敛速度和勘探能力.为保持种群多样性,设计一种种群分散策略,平衡群体的全局探索和局部开采能力,并且在各个进化阶段采用不同的方式探索新的位置.通过对多种标准测试函数进行实验并与多个近期提出的人工蜂群算法比较,结果表明该算法在收敛速度和求解质量上均取得较好的改进效果.     

一种双种群差分蜂群算法

人工蜂群算法(ABC)是一种基于蜜蜂群智能搜索行为的随机优化算法.为了有效改善人工蜂群算法的性能,结合差分进化算法,提出一种新的双种群差分蜂群算法(BDABC).该算法首先通过基于反向学习的策略初始化种群,使得初始化的个体尽可能均匀分布在搜索空间,然后将种群中的个体随机分成两组,每组采用不同的优化策略同时进行寻优,并通过在两群体之间引入交互学习的思想,来提高算法的收敛速度.基于6个标准测试函数的仿真实验表明,BDABC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.     

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。     

求解多目标不相关并行机调度问题的多群体人工蜂群算法

针对具有预防性维修(PM)和顺序相关准备时间(SDST)的不相关并行机调度问题,提出一种多群体人工蜂群算法(MABC)以同时最小化完工时间和总延迟时间.该算法将雇佣蜂分割成s个雇佣蜂群,除最差雇佣蜂群外,每个雇佣蜂群都对应1个跟随蜂群.结合2个目标函数、PM和SDST的特征设计3种邻域搜索,采用全局搜索和邻域搜索的不同...     

基于改进邻域搜索策略的人工蜂群算法

针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.     

基于改进蜂群算法的K-means算法

针对标准人工蜂群算法搜索效率低、收敛速度慢等缺点提出一种改进的人工蜂群算法.通过引入算术交叉操作以及利用最优解指导搜索方向,增加算法收敛的速度.在7个基准函数上的测试结果表明了算法的有效性.在此基础上,针对K-means算法的缺点提出基于改进蜂群算法的K-means算法,并加入自动获得最佳聚类数的功能.在人工数据集和UCI真实数据集上的测试验证了所提出算法的性能.     

基于改进的人工蜂群的独立分量分析方法

针对快速固定点独立分量分析方法容易陷入局部最优解的问题,提出了一种基于改进的蜂群优化的独立分量分析方法。该方法以信号的峭度作为代价函数,利用人工蜂群方法对其进行优化。在优化的过程中,一方面为了避免随机搜索造成的开采能力弱的问题,在跟随蜂搜索阶段采用当前迭代最优解引导的方式产生新的候选解,另一方面,为了避免产生更差的解,在侦查蜂阶段,利用当前迭代中的最优解与最差解的距离产生新的解,代替最差解,提高人工蜂群优化方法的寻优效果,进而提高独立分量分析的精度。实验仿真验证了算法的性能。     

基于刺激-响应分工机制的人工蜂群算法

针对人工蜂群算法中探索与开采的不平衡以及由此导致的求解精度低、收敛速度慢等问题,提出一种基于刺激-响应分工机制的人工蜂群算法.将探索和开采看成两种不同的搜索任务,令蜜蜂在雇佣蜂阶段执行探索,在跟随蜂阶段执行开采.根据种群多样性设计搜索任务的环境刺激,利用搜索成功率设计蜜蜂个体的响应阈值.在刺激-响应分工机制下,蜜蜂在雇...     

Self-adaptive constrained artificial bee colony for constrained numerical optimization

The artificial bee colony is a simple and effective global optimization algorithm. It has been successfully applied to solve a wide range of real-world optimization problem, and later, it was extended to constrained design problems as well. This paper describes a self-adaptive constrained artificial bee colony algorithm for constrained optimization problem based on feasible rule method and multiobjective optimization method. The employed bee colony severs as the global search engine for each population based on feasible rule. Then, the onlooker bee colony can explore the new search space based on the multiobjective optimization. In order to enhance the convergence rate of the proposed algorithm, a self-adaptive modification rate is proposed to make the algorithm can change many parameters. To verify the performance of our approach, 24 well-known constrained problems from 2006 IEEE congress on Evolution Computation (CEC2006) are employed. Experimental results indicate that the proposed algorithm performs better than, or at least comparable to, state-of-the-art approaches in terms of the quality of the resulting solutions from literature.     

基于人工蜂群算法的电网故障诊断

针对电网故障诊断中的0-1规划问题,从代数和几何角度优化了人工蜂群算法。仿真结果表明,人工蜂群算法具有可行性和合理性,并且综合性能显著优于传统的遗传算法;在两种人工蜂群算法中,基于几何思想的人工蜂群算法具有更好的稳定性和搜索能力,更加适用于对稳定性和精准度要求很高的场合。