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。     

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.     

引入佳点集和猴群翻过程的人工蜂群算法

针对人工蜂群算法存在早熟现象和搜索过程容易陷入局部最优的缺陷,提出一种引入佳点集和猴群翻过程的改进人工蜂群算法。首先利用佳点集方法构造均匀的初始种群,通过保持种群的多样性,在一定程度上避免早熟现象,加快算法的收敛速度。然后学习猴群算法的翻过程,在寻优过程中使种群的搜索区域进行转移,从而跳出局部最优,得到全局最优解。在经典测试函数和CEC05测试函数集上的实验结果表明,与标准人工蜂群算法以及其它改进算法相比,算法性能优越,具有很强的鲁棒性和快速收敛的能力,且有效避免陷入局部最优。     

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。     

基于人工蜂群算法的非线性方程组求解研究

为了更有效地求解复杂的非线性方程组,引入了人工蜂群算法.考虑到人工蜂群算法后期表现出的收敛速度慢、容易陷入局部最优值的缺点,提出了一种新的人工蜂群优化算法( IABC).新算法对工蜂进行邻域搜索产生新解的方法进行了改进,引入了尝试次数,修改了向新食物源靠拢的递进步长,加快了原有算法的收敛速度.试验结果表明,改进算法较好地平衡了全局搜索能力和局部搜索能力,是一种求解非线性方程组的高效算法.     

具有混沌搜索策略的蜂群优化算法

提出一种改进人工蜂群局部搜索能力的优化算法,对陷入局部最优值的雇佣蜂,使用禁忌表存储其局部极值,并引入混沌序列重新初始化,在迭代中产生局部极值的邻域点,帮助其逃离束缚并快速搜寻到最优解.改进算法有效地结合标准蜂群算法的全局优化能力、禁忌表的记忆能力和混沌局部搜索能力,对经典函数的测试计算表明,改进算法提高r蜂群寻优能力,在收敛速度和精度上均优于标准蜂群算法,适合工程应用中的复杂函数优化问题.     

求解函数优化问题的改进人工蜂群算法

标准人工蜂群算法由于局部搜索能力差,收敛精度低,容易陷入早熟收敛等缺陷,从而求解最小值函数优化问题的能力受到限制。为了解决标准人工蜂群算法的以上问题,提出了一种改进的人工蜂群算法。该算法将混沌算子引入雇佣蜂和跟随蜂基于当前最优解的局部搜索策略中,并赋予跟随蜂细菌的趋药性,从而
　　提高了人工蜂群算法的局部搜索能力。在6个测试函数上的仿真结果表明,该算法能有效地避免陷入局部最优,并使收敛精度得到显著提高。     

云变异人工蜂群算法

针对传统人工蜂群算法存在收敛速度慢和易陷入局部最优的问题,提出一种基于云模型的改进人工蜂群算法。通过正态云算子计算候选位置,自适应调整算法的局部搜索范围,以提高算法的收敛速度和勘探能力。为保持种群多样性,引入一个新的概率选择策略,使较差的个体具有较大的选择概率,并且利用历史最优解探索新的位置。标准复合函数测试表明,改进算法的收敛速度和求解精度得到提升,优于一些新近提出的改进人工蜂群算法。     

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。     

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.     

一种基于胶囊网络的图像检索方法

The rise of Internet of things technology, wireless communication and computer technology in recent years has attracted the scientific community's attention to wireless sensor networks, and the study of reasonable distribution coverage of detection areas. It is also necessary to maximize coverage.Artificial bee colony algorithm is a kind of optimization method which imitates the bee be- havior. It can obtain more superior convergence results for unconstrained numerical optimization problems. Because the existence of artificial bee colony algorithm is easy to be limited to the local optimal solution, the process of the intermediate stagnation problem, the need for a longer search time, an improved artificial bee colony algorithm is proposed, which can speed up the convergence speed in the later stage. The improved artificial bee colony algorithm can effectively reduce the redundancy and prolong the lifetime of the sensor network by optimizing the node coverage.     

基于遗传交叉因子的改进蜂群优化算法*

针对标准蜂群算法在求解函数优化问题时易陷入局部极优点的缺陷,提出了一种基于遗传交叉因子的改进蜂群优化算法。该算法借鉴遗传算法中的选择交叉操作增加食物源多样性,通过引入交叉因子增强群体食物源的优良特性,减小陷入局部极值的可能。对几个典型的测试函数进行仿真表明,该算法较标准蜂群算法提高了全局搜索能力和收敛速度,改善了优化性能。     

基于改进的蜂群算法求解专有路径保护设计优化问题

针对光网络故障恢复资源利用的优化问题,采用改进的蜂群算法（IABC）来求解专有路径保护设计优化问题。由于采蜜机理的蜂群算法全局寻优能力较弱,引入禁忌表机制,增强算法搜索全局最优解的能力,并改进蜂群算法的交叉算子,增强算法的收敛速度。通过实验仿真。结果表明与传统的ABC算法相比,IABC能算法大大地提高计算效率,针对较复杂网络资源优化的NP问题提供有效的可行性实施方法。     

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.     

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。     

基于IAG-ABC算法的路径覆盖测试用例生成技术

针对遗传算法(genetic algorithm,GA)存在搜索初期收敛速度过快、易陷入局部最优解、未能充分结合搜索过程中的反馈信息,同时人工蜂群(artificial bee colony,ABC)算法存在初期寻优速度缓慢、局部搜索具有很大随机性等问题,对遗传算法和人工蜂群算法分别进行了改进,并将改进后的两种算法进行融合,实现两者的优势互补,提出了一种自适应遗传-蜂群（improved adaptive genetic-artificial bee colony, IAG-ABC）算法。采用路径覆盖信息设计引导算法搜索方向的适应度函数,并用IAG-ABC算法实现路径覆盖的测试用例生成,实验结果表明,相对于标准遗传算法和自适应遗传算法,IAG-ABC算法在测试用例生成效率和覆盖率上均有一定的优势。