基于反馈机制和丛林法则的人工蜂群算法

为了解决人工蜂群算法（ABC）容易陷入局部最优、易早熟收敛等问题,提出一种基于反馈机制和丛林法则的人工蜂群算法（Artificial Bee Colony algorithm based on Feedback and the Law of the jungle,LFABC）。该算法在全局搜索公式中引入反馈机制,直接搜索最优解可能存在的区域,提高了算法的开发能力和收敛速度。同时加入线性微分递增策略,平衡算法各个阶段的开发能力和探索能力。根据丛林法则,该算法随机选择较差个体进行初始化,有效防止算法陷入局部最优。实验结果证明,LFABC算法有效提高了算法的收敛精度,且其收敛速度非常突出。     

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。     

基于排名映射概率的混沌人工蜂群算法

针对人工蜂群算法(Artificial Bee Colony algorithm,ABC)因直接采用函数值映射的概率选择食物源而引起过早收敛和陷入局部最优以及优化精度不高的问题,提出一种基于排名映射概率的混沌人工蜂群算法(Chaotic Artificial Bee Colony algorithm based on Rank mapping probability,CABC-R)。首先利用目标函数值的排名映射获取选择食物源的概率,然后构建基于排名映射概率的人工蜂群算法以便能够维持种群的多样性,获得较好的全局最优解,最后创建较高寻优精度的新型局部混沌优化算法精确寻找最优解。对10个标准测试函数进行了仿真,结果表明,CABC-R算法不仅优化效果更准确而且更能跳出局部最优,有效地找到全局最优解,优于标准的ABC、JADE、 MSEP 和 RABC算法。     

混合排名映射概率和混沌搜索的ABC算法

针对由于人工蜂群算法(Artificial Bee Colony algorithm,ABC)采用直接映射概率选择食物源而引起收敛速度慢、陷入局部最优等问题,提出一种混合排名映射概率和混沌搜索的人工蜂群算法((Artificial Bee Colony algorithm based on Hybrid rank mapping probability and Chaotic search,ABC-HC))。首先,利用目标函数值的排名来获取选择食物源的排名映射概率,并提出计算排名映射概率的两种方法;然后,在观察蜂阶段,融合这两种计算概率的方法,即不同的搜索阶段采用不同的排名映射方法计算食物源选择概率,构造基于混合排名映射概率的人工蜂群算法,以便能够维持种群的多样性避免陷于局部最优;最后,在侦查蜂阶段,使用混沌搜索替代随机搜索以便进一步提高收敛速度,最终获得较好的全局最优解。对10个标准测试函数进行仿真,结果表明,ABC-HC算法不仅提高了收敛速度,而且更能跳出局部最优,有效地找到全局最优解,优于标准的ABC算法和进化算法。     

混合编码粒子ABC算法的CR认知决策引擎

认知决策引擎是认知无线电（Cognitive Radio,CR）的核心。为适应CR参数的自适应重配置,提出了一种改进的二进制人工蜂群（Binary Artificial Bee Colony algorithm,BABC）算法。该算法在基本BABC算法的基础上,加入了反向学习初始化机制、混合编码规则以及社会认知策略,保证了个体的多样性、提高了搜索速度。给出了该算法的基本步骤,并在多载波通信系统中对算法性能进行了仿真。仿真结果表明,基于该算法的CR认知决策引擎的收敛速度和精度均优于经典的遗传算法（Genetic Algorithm,GA）和BABC算法,优化得到的系统参数具有更好的性能。     

一类基于蜜蜂采集模型的智能算法

利用蜂群的群智能行为特征及其采集行为机制,能够设计出有效的智能算法及人工系统。这是一个较新的研究方向,近年来国内外许多学者已对该研究方向进行了广泛探索。本文阐述两个主要的基于蜜蜂采集模型的智能优化算法,蜂群算法（Bees Algorithm,BA）和人工蜂群算法（Artificial Bee Colony,ABC）,并简要介绍其它一些该类智能算法。     

自扰动人工蜂群算法

人工蜂群(Artificial Bee Colony,ABC)算法是一种模仿蜂群寻找蜜源的新型算法,因具有参数简单、灵活性强等优点而被广泛用于解决工程问题。但该算法在早熟、收敛速度慢和个体越界等缺点。为此,提出一种自扰动人工蜂群算法(Novel Artificial Bee Algorithm with Adaptive Disturbance,IGABC)。该算法采用轴对称策略处理蜂群中的越界个体,提高了算法的搜索效率。通过改进全局搜索方程的结构,同时加入带阈值的线性递增策略,提出一种全新的自适应搜索方程。自适应搜索方程提高了算法的收敛精度并加快了速度。为了获得更好的全局最优解,提出一种自扰动方法对全局最优解进行扰动。选取18个基准测试函数以及近4年提出的6个改进ABC算法进行对比实验,结果表明,该算法在收敛速度和精度上均有较大的优势,尤其在处理Rosenbrock等很难寻优的复杂函数时,收敛精度提高了16个数量级。     

基于改进人工蜂群的电力检修设备优化调度北大核心

针对电力检修调度中决策滞后,设备资产利用不合理等问题,提出检修设备在故障排除过程中使用能耗、任务完成度等多目标动态平衡调度方案,建立了电力资产在不同调度下的能耗计算模型;同时兼顾削峰填谷等要求,建立了以电力检修设备最小总负载和最短完工时间的电力物资调度模型;针对人工蜂群(Artificial Bee Colony, ABC)算法后期收敛慢,不易实现全局最优的缺点,提出交叉-变异人工蜂群(Crossover and Mutation-Artificial Bee Colony, CM-ABC)算法求解该模型,通过交叉-变异机制,提高算法搜索全局最优解能力。通过模型比较研究、仿真和电力设备资产检修调度实际应用案例,证明能降低其检修成本,有效提高其检修效率。     

改进的人工蜂群优化支持向量机算法在入侵检测中的应用

针对基于传统的参数优化算法在优化过程中会不同程度地陷入局部最优解的问题,在人工蜂群ABC(Artificial Bee Colony)算法的基础上提出基于交叉突变人工蜂群CMABC(Crossover Mutation ABC)算法的支持向量机SVM参数优化方法,并将其应用于入侵检测。通过引入交叉突变算子对人工蜂群算法进行改进,根据适应度值的优劣将蜂群进行划分,有效地避免了陷入局部最优,提高了收敛速度。利用标准测试函数验证了算法的有效性,并采用NSL-KDD入侵检测数据集进行仿真实验,验证了该方法的有效性。实验结果表明,该方法能有效提高入侵检测的分类性能。     

AABC-SVM模型及其在商品评论情感分类中的应用

为了提高商品评论情感分类准确率,解决传统SVM分类时参数难以选择问题,在基本人工蜂群算法基础上,提出一种改进人工蜂群算法AABC(Advanced Artificial Bee Colony)来优化支持向量机(SVM)参数。以最小化商品评论分类错误率为优化目标,在人工蜂群算法的引领蜂阶段引入监督-响应机制增强蜂群算法开发能力,在跟随蜂阶段改进概率选择作用保证蜜源个体的差异性,提高算法收敛速度,避免算法陷入局部最优。不同商品评论情感分类结果表明,相比于GA-SVM模型、PSO-SVM模型和ABC-SVM模型,所提出的AABC-SVM模型能够寻优到更好的SVM参数组合,其分类准确率平均多提高了1%~3%,验证了所提模型的有效性。     

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。     

基于人工蜂群算法的群体动画路径生成方法

大多数群体智能算法容易陷入局部最优,且收敛速度较慢。为此,将粒子群优化算法引入人工蜂群算法中,提出一种改进的路径生成算法NewABC,实现最优目标位置的选取及粒子个体的路径规划。将该方法生成的路径数据导入maya三维动画制作软件中进行仿真实验,结果表明,该方法生成的群体动画效果逼真,动画创作效率有较大的提高。     

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。     

基于健康度的人工蜂群粒子群算法

针对标准粒子群算法存在收敛速度慢和易陷入局部最优等问题,提出了一种基于健康度的人工蜂群粒子群算法。通过动态地对各个粒子的健康状况进行评价,对正常粒子和病态粒子分别进行处理,避免无效搜索,提高算法的收敛速度;在处理病态粒子时,一方面以大概率借鉴人工蜂群的搜索策略提高算法的探索能力,另一方面以小概率增加粒子群的多样性,避免陷入局部最优。实验结果表明,与标准粒子群算法和其他改进算法相比,该算法收敛速度快、寻优精度高。     

基于人工蜂群的 BP 神经网络算法

传统BP神经网络存在容易陷入局部极小点、收敛速度慢等缺点。人工蜂群算法是基于蜜蜂群体的觅食行为而提出的一种新的启发式仿生算法,属于典型的群体智能算法。它为全局优化算法,该算法简单、实现方便、鲁棒性强。针对BP神经网络算法的不足,提出利用人工蜂群算法交叉优化BP网络参数的权值和阈值,实验证明该优化算法确实提高了解的精度,加快了网络收敛速度。