共查询到19条相似文献,搜索用时 62 毫秒
1.
针对基本人工蜂群算法在求解复杂优化问题时,存在收敛精度低、收敛速度慢的缺点,提出一种基于最优个体指导单纯形法改进的人工蜂群算法。算法引入基于当前最优个体作为指导的单纯形法进行邻域搜索,以增强局部探索能力。同时采取保优策略,以加快收敛速度。通过6个标准测试优化问题的仿真实验表明,该算法较基本人工蜂群算法具有更高的求解精度和更快的收敛速度。将算法用于分数阶登革病毒传播模型的参数优化,所得的参数对应的模型输出与实际数据拟合情况较好。 相似文献
2.
无线传感器网络(Wireless Sensor Network,WSN)系统性能的提高,离不开对WSN中每一个传感器节点地理位置的精准定位。全局人工蜂群算法在基本人工蜂群算法的基础上,在邻域搜索后将迭代最优解添加到新解的更新公式中,提高了算法的开发能力。但将其应用于WSN节点位置求解时,存在计算时间长、收敛不稳定的问题。提出一种改进的全局人工蜂群算法,在邻域搜索后对新解进行衡量,若新解适应值在可接受的范围内,与迭代最优解进行交叉操作;若新解适应值较好,不与迭代最优解进行交叉操作;若新解适应值较差,舍弃新解。这较好地平衡了算法的探索和开发能力。求解WSN节点位置时,证明了该算法有更快的收敛速度和更好的收敛效果。 相似文献
3.
4.
5.
为改善人工蜂群算法(ABC)的深度搜索能力,提出一种改进的人工蜂群算法(SABC)。借鉴混合蛙跳算法(SFLA)的进化机制,将蜂群划分为多个模因组,使每个新个体与自身所在模因组的最坏个体进行优劣比较,能够更加容易保存群体中的"新生"个体,改善群体的整体质量,增加算法的深度搜索能力。通过7个测试函数进行实验,统计结果表明了SABC算法在求解函数优化问题时具有较好的算法性能。 相似文献
6.
7.
鉴于标准人工蜂群算法(ABC)局部开发能力不足,提出一种改进搜索策略的人工蜂群算法(IABC)。为提高ABC的局部开发能力,在其雇佣蜂阶段引入了一个新的具有最好个体引导的解搜索方程,为均衡ABC的搜索能力,在ABC跟随蜂阶段的搜索策略中引入了新的随机因素以增强ABC的全局探索能力,为了进一步平衡全局探索和局部开发能力,改进了ABC的侦察蜂搜索机制。为验证IABC的收敛效果,通过在12个复杂基准测试函数上的仿真实验并与其他算法相比较,发现IABC的收敛性能有显著提高。 相似文献
8.
王志刚 《计算机工程与科学》2015,37(4):734-739
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。 相似文献
9.
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。 相似文献
10.
针对人工蜂群算法有时收敛速度较慢和探索能力较强而开发能力不足等问题,提出一种改进的人工蜂群(IABC)算法。该算法在跟随蜂阶段采用一种基于当前局部最优解(pbest)的搜索策略,能提高算法的局部搜索能力。为了加快算法的收敛速度,采用基于一般的反向学习的策略进行种群初始化,而且采蜜蜂和跟随蜂进行邻域搜索时,邻域搜索的维数根据循环代数动态调整。基于十个标准测试函数的仿真结果表明,该算法能有效加快收敛速度,局部优化能力有显著提高。 相似文献
11.
针对传统人工蜂群算法局部搜索的低效性,提出了双重进化人工蜂群算法。在需要两点进行操作的搜索过程中,采用一点随机选取,另一点通过遍历可行解,以其中最优解确定位置的半随机式搜索策略。用该策略改进插入点算子和逆转序列算子,分别在两对以及三对城市间距离之和的解空间维度上交叉搜索,并应用到局部搜索中构成双重进化过程,提高了搜索效率和适应值引导性。实验结果表明,该算法较已有方法提高了收敛速度,优化了目标解,并可通过合理设置终止阈值提高时效性。 相似文献
12.
针对日益严重的网络安全问题,基于人工蜂群与聚类方法提出一种新的状态检测算法--DASA。该算法首先根据SKETCH方法和Hash函数建立业务流异常状态模型,并且利用人工蜂群技术实现对异常状态的检测。最后,以实际数据进行仿真实验,对比分析了样本数据与DASA算法检测的结果,发现DASA具有较好的适应性,而且聚类个数、丢弃阈值和邻域半径等因素对状态检测产生较大影响。 相似文献
13.
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。 相似文献
14.
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。 相似文献
15.
16.
针对小波阈值去噪方法中存在阈值选取困难和阈值函数量化效果差的缺陷,提出一种基于人工蜂群算法和带参阈值函数的图像去噪方法。首先,设计一个新的小波阈值函数,该函数具有连续性,高阶可微性和参数可调性,能够有效地解决硬阈值函数的不连续性和软阈值函数具有恒定偏差的问题。然后采用人工蜂群优化算法选取最优阈值,将其代入新小波阈值函数对带噪图像进行去噪处理。最后用MATLAB进行仿真实验,对比新阈值函数和传统阈值函数的去噪效果。实验结果表明:在图像去噪效果方面,提出的基于人工蜂群算法的新阈值函数明显优于传统阈值函数。 相似文献
17.
针对核模糊C均值(KFCM)算法对初始聚类中心敏感、易陷入局部最优的问题,利用人工蜂群(ABC)算法的构架简单、全局收敛速度快的优势,提出了一种改进的人工蜂群算法(IABC)与KFCM迭代相结合的聚类算法。首先,以IABC求得最优解作为KFCM算法的初始聚类中心,IABC在迭代过程中将与当前维度最优解的差值的变化率作为权值,对雇佣蜂的搜索行为进行改进,平衡人工蜂群算法的全局搜索与局部开采能力;其次,以类内距离和类间距离为基础,构造出适应KFCM算法的适应度函数,利用KFCM算法优化聚类中心;最后,IABC和KFCM算法交替执行,实现最佳聚类效果。采用3组Benchmark测试函数6组UCI标准数据集进行仿真实验,实验结果表明,与基于改进人工蜂群的广义模糊聚类(IABC-KGFCM)相比,IABC-KFCM对数据集的聚类有效性指标提高1到4个百分点,具有鲁棒性强和聚类精度高的优势。 相似文献
18.
针对经典人工蜂群(ABC)算法搜索策略存在搜索机制单一、群体全局搜索与局部搜索运算耦合性较高的问题,提出一种基于混合搜索的多种群人工蜂群(MPABC) 算法。首先,将种群按照适应度值进行排序,得到一个有序队列,进而将其划分为随机子群、核心子群和平衡子群三类有序子群;其次,针对不同子群结合相应的个体选择机制与搜索策略,构建出不同的差异向量;最后,在群体的搜索过程中,通过三类子群实现对具有不同适应度函数值个体的有效控制,来增强群体全局搜索和局部搜索的平衡能力。通过对16个标准测试函数进行仿真实验并与具有可变搜索策略的人工蜂群(ABCVSS)算法、基于选择概率的改进人工蜂群(MABC)算法、基于粒子群策略的多精英人工蜂群(PS-MEABC)算法、基于符号函数的多搜索策略人工蜂群(MSSABC)算法和优化高维复杂函数的改进人工蜂群(IABC)算法共五种典型的蜂群算法进行了对比,实验结果显示MPABC具有较好的优化效果;与ABC算法相比,MPABC在求解高维(100维)复杂问题上的收敛速度提高了约23%,且求解精度更优。 相似文献
19.
为解决人工蜂群(ABC)算法收敛速度慢、精度不高和易于陷入局部最优等问题,提出一种增强开发能力的改进人工蜂群算法。一方面,将得出的最优解以两种方式直接引入雇佣蜂搜索公式中,通过最优解指导雇佣蜂的邻域搜索行为,以增强算法的开发或局部搜索能力;另一方面,在旁观蜂搜索公式中结合当前解及其随机邻域进行搜索,以改善算法的全局优化能力。对多个常用基准测试函数的仿真实验结果表明,在收敛速度、精度和全局优化能力等方面,所提算法总体上优于其他类似的ABC算法(例如ABC/best)和集成多种搜索策略的ABC算法(例如ABCVSS(ABC algorithm with Variable Search Strategy)和ABCMSSCE(ABC algorithm with Multi-Search Strategy Cooperative Evolutionary))。 相似文献