两级定位-路径问题的人工蜂群算法

针对城市物流配送系统中的两级定位-路径问题,采用人工蜂群算法对其进行求解,并扩展算法中的选择策略,即在基于适应度选择策略和锦标赛选择策略2种常用策略基础上,提出一种带参数控制的锦标赛选择策略。通过对大、中、小规模算例进行仿真实验,证明人工蜂群算法能在合理的计算时间内有效求解两级定位-路径问题。其中,采用基于适应度选择策略的人工蜂群算法求解速度较快,采用锦标赛选择策略的人工蜂群算法求解到的最好解质量较高,采用带参数控制的锦标赛选择策略的人工蜂群算法求解得到最差解的质量及解的稳定性较好。     

求解两级定位-路径问题的粒子群算法

为求解配送网络中的两级定位-路径问题,提出一种在粒子更新过程中融入路径重连启发式搜索策略的粒子群算法。其中,根据两级定位-路径问题中解的属性,提出以中转站、路径、边为对象的三个路径重连搜索模块;同时基于搜索模块的不同组合,提出四种路径重连策略。应用不同规模算例测试结果表明,该粒子群算法能有效求解两级定位-路径问题,且路径重连策略一的求解效率较高,策略二求解的稳定性较好,策略三求解时各方面均无突出表现,策略四求解时解的质量较高。     

两级定位一路径问题的人工蜂群算法

针对城市物流配送系统中的两级定位．路径问题,采用人工蜂群算法对其进行求解,并扩展算法中的选择策略,即在基于适应度选择策略和锦标赛选择策略2种常用策略基础上,提出一种带参数控制的锦标赛选择策略。通过对大、中、小规模算例进行仿真实验,证明人工蜂群算法能在合理的计算时间内有效求解两级定位一路径问题。其中,采用基于适应度选择策略的人工蜂群算法求解速度较快,采用锦标赛选择策略的人工蜂群算法求解到的最好解质量较高,采用带参数控制的锦标赛选择策略的人工蜂群算法求解得到最差解的质量及解的稳定性较好。     

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。     

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。     

混合离散人工蜂群算法求解含不相关并行机的分布式柔性流水线调度

研究每阶段含不相关并行机的分布式柔性流水线调度问题.考虑顺序相关准备时间和工件动态到达时间,以最小化总加权提前/拖期惩罚为目标建立整数规划模型,提出一种融合离散差分进化算法、变邻域下降算法和局域搜索的混合离散人工蜂群算法以获取近优解.该算法采用基于工厂-工件号的编码以及基于机器最早空闲时间的动态解码机制,通过随机规则和均衡分派策略生成初始工厂-工件序列群,在引领蜂阶段引入离散差分进化算法产生优质工厂-工件序列,在跟随蜂阶段利用变邻域下降算法在被选择序列附近继续搜索以得到邻域序列,在侦察蜂阶段设计基于关键/非关键工厂间插入的局域搜索提高算法搜索能力.通过仿真实验测试不同规模的算例,实验结果表明,所提出的混合离散人工蜂群算法表现出较好的求解性能.     

多搜索策略协同进化的人工蜂群算法

针对人工蜂群算法存在的计算精度不高、收敛速度较慢的缺点,提出一种多搜索策略协同进化的人工蜂群算法.所提出的算法在引领蜂和跟随蜂进行邻域搜索时,动态调整搜索的维数以提高搜索效率,并结合人工蜂群算法不同搜索策略的特点,使其协同进化,以平衡算法的局部搜索能力和全局搜索能力.14个基准函数的仿真实验结果表明,所提出的算法能有效改善寻优性能,增强摆脱局部最优的能力.与其他一些改进的人工蜂群算法相比,具有较快的收敛速度和较高的求解精度.     

一种带共享因子的人工蜂群算法

人工蜂群(ABC)算法在搜索过程中收敛速度较慢,且容易出现早熟现象。针对该问题,提出一种带共享因子的ABC算法。通过共享因子动态调整蜜蜂与其邻域个体之间的信息共享程度,在搜索初始阶段适当减小信息共享,避免蜂群飞过最优解所在区域,在搜索中后期增强信息共享,提高蜂群的全局寻优性能。函数测试结果表明,该算法具有较好的收敛性能,适用于求解复杂函数优化问题。     

多交互式人工蜂群算法及其收敛性分析

针对人工蜂群（ABC）算法不易跳出局部最优解的缺点,提出了多交互式人工蜂群（MIABC）算法。该算法在基本人工蜂群算法的基础上引入随机邻域搜索策略,结合跨维搜索策略,且改进蜜蜂越限处理方式,使得算法搜索方式多样化,从而使得算法搜索更具跳跃性,不易陷入局部最优解,同时,对其进行收敛性分析和性能测试。在五种经典基准测试函数和时间复杂度实验上的仿真结果表明,相对于标准人工蜂群算法和基本粒子群优化（PSO）算法,该算法在1E-2精度下收敛速度提高了约30%和65%,搜索精度更优,且在高维求解问题方面有明显优势。     

求解冷链物流时间依赖型车辆路径问题的混合自适应大邻域搜索算法

针对单一机制的自适应大邻域搜索算法存在早熟收敛、易陷入局部最优的问题,提出了一种混合自适应大邻域搜索算法来求解冷链物流时间依赖型车辆路径问题（TDVRP）。首先,根据连续型行驶时间依赖函数来刻画时变车速,采用综合油耗模型来评估实时燃油消耗量,并建立了以总成本最小化为目标的路径优化模型;然后,根据问题的NP-hard性质和时间依赖特性设计了多种破坏和修复解的大邻域搜索算子,并将破坏-修复大邻域搜索算子融入到人工蜂群（ABC）算法之中,以提高算法的全局搜索能力。仿真实验结果表明,与自适应可变邻域搜索精英蚁群（AVNS_EAC）算法、自适应大邻域搜索精英蚁群（ALNS_EAC）算法、自适应大邻域搜索精英遗传（ALNS_EG）算法和自适应大邻域搜索模拟退火（ALNS_SA）算法相比,所提出的自适应大邻域搜索人工蜂群（ALNS_ABC）算法在多组测试数据上的最优适应度值分别平均提高了46.3%、5.3%、36.8%和6%。可见所提算法计算性能更高、稳定性更强,能够为冷链物流企业兼顾经济效益和环境效益提供更为合理的决策依据。     

基于改进蜂群聚类的欠定盲源分离

针对欠定盲分离中混合矩阵估计精度不高的问题,采用了改进的人工蜂群（ABC）聚类算法。从观测信号的线性聚类特点和蜂群的多样性考虑,改进雇佣蜂的搜索策略,从而加快算法的收敛速度。同时,引入基于Levy飞行的局部搜索方法,进一步对当前最优解的邻域进行搜索,提高ABC算法局部开发能力。仿真结果表明,该方法在源个数较多的情况下仍然有较高的混合矩阵估计精度。     

基于CBC算法的瓦斯突出预测模型研究

人工蜂群(ABC)算法易陷入局部极小点,搜索精度不高且算法收敛速度慢。为此,提出一种改进的混沌蜜蜂群(CBC)算法,修改ABC算法的食物源位置更新公式,引入混沌搜索机制进行局部搜索。将CBC算法应用于瓦斯突出预测中,建立神经网络预测模型,实验结果证明了该模型的有效性。     

双搜索人工蜂群算法的彩色图像多阈值分割

针对彩色图像多阈值分割中普遍存在精度低、速度慢的问题,提出了一种新的基于双搜索人工蜂群（DABC）的彩色图像多阈值分割算法。首先由于人工蜂群算法单一的解搜索公式存在不足,对雇佣蜂和跟随蜂各提出了一种搜索公式,进而对人工蜂群算法的相关参数进行了改进,然后做了DABC算法、全局最优引导人工蜂群算法（GABC）、人工蜂群算法（ABC）、粒子群优化算法（PSO）这四种算法的彩色图像多阈值分割对比实验。实验结果表明,与其他三种算法相比,基于DABC的彩色图像多阈值分割方法在分割的精度和速度上都有明显提高,完全能满足实际的需要。     

改进的混合人工蜂群算法的研究

为了解决基本人工蜂群算法（ABC）早熟收敛、容易陷入局部最优、收敛精度不高等问题,提出一种混合改进的人工蜂群算法（RABC）。首先,为了平衡ABC的全局寻优能力,在初始化种群阶段引入了混沌算子和逆向学习算子,而后为了提高局部寻优能力,在采蜜蜂的检索方程中引入了最优引导个体,最后,为了提高收敛精度和加快后期收敛速度,改进了侦察蜂的检索机制。为了验证RABC算法的收敛效果,通过在3个标准测试函数上的仿真实验,并与基本ABC算法比较,发现RABC的收敛性能有显著提高。     

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。     

基于Nelder-mead单纯形法的改进人工蜂群算法研究

针对现有的人工蜂群算法（Artificial Bee Colony,ABC）在进化速度和求解质量方面难以兼顾的缺点,提出一种基于Nelder-mead单纯形法的改进人工蜂群算法（Nelder-Mead Simplex Method based Improved Artificial Bee Colony,NMSM-IABC）。在迭代过程中,该算法周期性地将单纯形算子得到的最优个体迁移到人工蜂群算法的蜂群中,或将蜂群中的最优蜜源信息迁移到Nelder-mead单纯形算法中。旨在ABC借助NM-SM提高局部搜索能力,NM-SM借助ABC跳出局部最优点,达到两者协同搜索。再者,为了进一步加快收敛速度,在ABC中采用一种改进的跟随蜂搜索策略,并对产生侦察蜂的关键参数进行灵敏度分析。最后,通过6个典型的多维测试函数对算法进行仿真测试。结果表明：提出的算法有效地避免了陷入局部最优,提高全局搜索能力和搜索精度,有较快的收敛速度,是一种较好的协同搜索算法。     

基于改进二进制人工蜂群算法的多用户检测器

最优多用户检测(OMD)技术可以达到理论上的最小错误概率,但已经证明它是一个非确定多项式(NP)问题。作为一种新型的群智能算法,人工蜂群(ABC)算法已被广泛用于各种优化问题,但传统二进制人工蜂群算法具有收敛速度过慢、易陷入局部最优等缺点。针对这一缺点,提出了一种改进二进制人工蜂群算法并将其用于求解最优多用户检测问题。算法简化了初始化的过程,采用单维求反的邻域搜索策略,计算量与最优多用户检测相比明显降低。仿真结果表明,提出的多用户检测方案在抗多址干扰和抗“远近”效应能力方面与传统检测方案相比,都有显著提高。