基于多维更新的改进人工蜂群算法

标准人工蜂群算法采用逐维更新的策略,存在前期收敛快、易于陷入局部最优、后期解失去多样性、收敛慢的缺点。本文在解的搜索过程中,利用多维同时更新来增强解的搜索力度,随机选取多维更新的策略在后期增加解的多样性,提出了多维更新的改进人工蜂群算法,加快算法的收敛速度。用标准测试函数对改进的人工蜂群算法做寻优测试,实验结果表明该算法加快了收敛速度,进一步优化了测试函数的最优值,具有良好的寻优效果。     

分群涡流搜索优化算法

涡流搜索优化算法的备选解主要集中在由搜索半径和迭代圆心圈定的大致范围内,在解空间备选解的分布比较单一。为增强涡流搜索优化算法的寻优效果,文章提出一种分群涡流搜索优化算法。将涡流搜索优化算法备选解分群,以历次迭代寻优的最优解位置和当前迭代最优解在解空间的反向位置为圆心产生两组备选解,以此来增加分群后备选解的多样性。将分群涡流搜索优化算法与原始涡流搜索优化算法对6个测试函数进行寻优对比,结果验证了改进算法具有较好的寻优效果。     

基于改进人工蜂群算法的云制造服务组合优化方法

为提高云制造服务组合的流程寻优质量、效率和稳定性，提出一种基于改进人工蜂群算法的云制造服务组合优化方法。首先，建立了云制造服务组合场景下的3种服务协同质量计算方法；然后，构建了一种融合服务协同质量的云制造服务组合优化模型；最后，设计了一种具有多搜索策略岛屿模型的人工蜂群算法，实现最优云制造服务组合流程的求解。实验结果表明，所提算法在组合流程的寻优质量、效率和稳定性方面均优于当前流行的人工蜂群改进算法和其他群智能算法。     

一种参数自适应调整和边界约束的粒子群算法

粒子群优化算法的核心思想是每个粒子根据自己和周围粒子的"信息共享"寻优,达到全空间搜索最优解的目的。收敛速度快,全局寻优能力强。针对基本粒子群算法寻优精度较低,结果易发散的缺点,提出了一种参数自适应调整和边界条件约束的粒子群算法,惯性权重,学习因子随着迭代过程线性递加或递减,从而在算法初期个体能搜索整个空间,后期能够朝着全局最优值收敛而找到全局最优值。同时设置粒子边界条件约束,保证算法寻优解的准确性。理论分析和数值仿真结果表明了所设计方法的高效性,在保证算法效率的前提下,有效地提高了算法的寻优精度。     

改进离散人工蜂群算法的干扰波形决策

针对目前基于离散人工蜂群(DABC)算法的干扰波形决策存在迭代次数多、寻优概率低等问题,提出一种基于最优差异导向的混沌多维离散人工蜂群(ODCM-DABC)算法的干扰波形决策方法.通过引入最优差异矩阵对蜜源进行更新、多维搜索和贪婪选择的方式确定更新维度、Tent混沌序列初始化种群等操作,对干扰波形决策模型进行求解.仿真结果表明,所提算法在进行干扰波形决策时,与传统DABC和GA算法相比,需要的迭代次数更少、寻优概率更高,能够改善干扰波形决策系统的性能,具有一定的普适性.     

基于改进人工蜂群算法的盲源分离方法

 针对现有盲源分离方法大多存在收敛速度慢、分离精度低的问题,提出一种基于改进人工蜂群(Artificial Bee Colony,ABC)算法的盲信号分离方法.在ABC的邻域搜索公式中自适应调整步长,并加入全局最优解指导项,增强局部趋化性搜索能力.改进的ABC算法保持了ABC全局搜索和局部搜索之间的平衡,使ABC算法可以达到更好的寻优效果,从而提高盲源分离算法的分离精度和稳定性.实验结果表明,提出的改进盲源分离算法可以有效地分离线性瞬时混合信号.与其它算法相比,该算法具有更优异的分离性能,并具有更快的收敛速度.     

一种针对约束问题改进的人工蜂群算法

人工蜂群算法是基于自然界蜂群行为的一种算法,该算法已被广泛应用在不同的约束类问题,它能有效解决0-1背包等约束问题。文中提出了基于可行规则和多目标优化问题的改进人工蜂群算法。针对人工蜂群算法存在收敛速度低的缺点,提出一种针对约束问题改进的人工蜂群算法,通过改变一些参数提高算法的收敛速度。对著名的13个约束问题进行试验验证,实验表明改进的人工蜂群算法的最优解和平均解都优于原始的人工蜂群算法。     

基于人工蜂群算法的支持向量机参数优化及应用

为了解决常用的支持向量机(SVM)参数优化方法在寻优过程不同程度的陷入局部最优解的问题,提出一种基于人工蜂群(ABC)算法的SVM参数优化方法。将SVM的惩罚因子和核函数参数作为食物源位置,分类正确率作为适应度,利用ABC算法寻找适应度最高的食物源位置。利用4个标准数据集,将其与遗传(GA)算法、蚁群(ACO)算法、标准粒子群(PSO)算法优化的SVM进行性能比较,结果表明,本文方法能克服局部最优解,获得更高的分类正确率,并在小数目分类问题上有效降低运行时间。将本文方法运用到计算机笔迹鉴别,对提取的笔迹特征进行分类,与GA算法、ACO算法、PSO算法优化的SVM相比,得到了更高的分类正确率。     

基于蜂群优化模糊聚类的遥感图像变化检测

针对模糊聚类算法容易陷入局部最优,结合人工蜂群算法的全局最优性,提出一种基于蜂群优化模糊C均值聚类的新算法,并将此算法应用到遥感图像的变化检测中。利用差值图和比值图融合的方法得出多时相遥感图像的差异图,在对差异图像进行模糊聚类生成变化类和未变化类的同时,利用人工蜂群算法对差异图进行全局搜索,较大程度地避免FCM算法陷入局部最优,也降低了FCM算法对初始解的敏感度。实验结果表明,新算法比FCM分类准确、效率更高。     

聚类分析的遗传算法方法

本文提出了一种利用遗传算法来对传统的聚类算法中的目标函数进行寻优的聚类分析方法，实验结果表明，本文方法得到最优（或近似最优）解的可能性比ｃ－均值和ｃ－线聚类算法大得多。     

基于全局无偏搜索策略的精英人工蜂群算法

针对精英人工蜂群算法（ABC_elite）加速收敛和早熟停滞现象的矛盾,提出一种改进算法（EABC_elite）.该算法通过在雇佣蜂阶段引入全局最优解加速收敛,同时通过普通个体平衡全局最优解过大的引导作用,因此全局最优解与普通个体的信息都能得到利用而算法仍能较好平衡.在观察蜂阶段引入普通个体避免算法早熟收敛.改进算法在加速收敛与防止早熟之间取得很好的平衡,总体上没有偏向任何方向,增强了ABC_elite的全局搜索能力.实验表明,改进算法的性能显著好于ABC_elite以及最近提出的几种较高水平的改进人工蜂群算法.     

基于改进人工蜂群算法的多阈值红外图像分割

针对传统的多阈值红外图像分割中多阈值选取存在的效率低、计算重复等问题,提出了一种基于改进人工蜂群算法的多阈值红外图像快速分割算法.首先,在阈值选取时引入人工蜂群算法,实现多阈值的选取.然后,针对原始人工蜂群算法存在的收敛速度慢、容易陷入局部最优的缺点,分别从引领蜂搜索、跟随蜂搜索和侦察蜂搜索3个方面进行了改进,使其更快、更准地收敛于最优解.实验表明,相比于原始人工蜂群算法,改进后的算法在精度相同时速度更快,迭代次数相同时结果更接近最优解.该算法能够在保证精度的前提下高效地对红外图像进行多阈值分割,是一种可行的红外图像分割方法.     

基于改进人工蜂群正余弦优化的红外图像分割方法

针对红外图像背景复杂且分割难度较大等问题,提出了一种改进人工蜂群正余弦优化的红外图像阈值分割方法。首先是将二维Otsu函数作为蜂群算法的适应度函数;其次采用混沌对立的学习方法和差分进化的方法改进了初始化种群和蜜蜂搜索方程;然后利用改进的蜂群算法优化阈值,缩小阈值的搜索区域;最后利用正余弦法计算出全局最优解,该最优解即为分割的最佳阈值。实验结果表明:论文方法与Otsu法、k-means法、区域生长法以及分水岭法相比,图像目标区域分割的平均交并比为84.13,平均准确率为89.18,有效提高了红外图像的分割精度。     

基于混合粒子群优化算法的医学图像配准

提出了一种基于粒子群算法PSO和Powell的混合优化算法,将PSO算法的全局搜索能力与Powell算法的局部寻优能力有机地结合起来.即在PSO算法每步迭代后对当前的局部最优解增加一步Powell局部寻优算法,进而保证了解的精确性的同时提高了求解的速度.将其应用于配准过程中对目标函数的最优化,取得了比较好的效果.     

蜂群优化神经网络的频谱感知

由于神经网络训练收敛速度慢、易陷入局部最优解,而最优解对神经网络的频谱感知算法性能影响大,因此为提高神经网络的频谱感知算法性能,采用蜂群算法交叉训练神经网络,加快训练收敛速度,降低均方误差。采用信号的能量、循环功率谱作为特征参数,提出了蜂群优化神经网络的频谱感知算法。仿真结果表明,在给定迭代次数下,相比能量法、循环平稳特征法、无蜂群算法交叉训练神经网络或RBF神经网络的频谱感知算法,本文算法具有更好的感知性能。      

基于全局信息的人工蜂群聚类算法北大核心CSCD

针对人工蜂群算法易陷入局部最优和收敛速度慢的不足,提出了一种基于全局信息的人工蜂群聚类算法.基于全局信息的人工蜂群聚类算法通过加入食物源平均丰富度(richness),利用中间聚类效果,更好地更新食物源;并且通过引入全局最优信息,提高跟随蜂的搜索效率,以获取聚类问题的全局最优解.同时在UCI机器学习库的4个标准数据集上进行了大量的实验来评估算法的性能.并将该算法和基本人工蜂群算法、粒子群算法和Kmeans算法进行比较.实验结果证明提出的基于全局信息的人工蜂群聚类算法具有更好的性能.     

基于多核PC的人工蜂群并行算法的研究与实现

针对人工蜂群算法搜索时间长、收敛速度缓慢、搜索后期极易陷入局部最优等问题,提出了一种人工蜂群并行算法(PRP-ABC).首先引入随机摄动因子和全局最优解两个策略得到串行式RP-ABC算法;然后应用OpenMP并行技术,采用主从式调度方式对串行算法并行改写;最后在多核PC上将三种算法在复杂函数优化问题上测试比较.结果表明,该算法有效提高了收敛速度和优化性能,尤其适用于高维复杂函数的优化问题.     

基于改进人工蜂群算法的认知抗干扰智能决策技术研究

在认知抗干扰系统中,智能决策是其核心,根据干扰环境,对系统的干扰抑制方式、频谱资源分配、调制编码方式和功率调整信息进行最优决策。人工蜂群算法（Artificial Bee Colony,ABC）相较于其他群体智能算法全局寻优速度更快,设置参数少、灵活,易与其他技术结合改进原算法,实用性更广泛,但ABC算法同样有其局限性,如局部搜索能力较弱、后期收敛速度慢等。针对复杂干扰环境下对离散参数的决策,本文设计了一种基于改进人工蜂群算法的认知抗干扰智能决策引擎,分析了引擎模型,根据系统效能设计了目标函数和染色体,阐述了决策实现步骤,优化了决策参数,提出了按基因组搜索的改进算法;通过对系统抗干扰性能的仿真,验证了与未采用智能决策的抗干扰系统相比,采用本文提出的智能决策引擎的认知抗干扰系统在干扰环境中不仅具有强抗干扰性能,而且在保证通信传输可靠性的前提下,具有较低的发射功率和高传输效率,与采用传统人工蜂群算法和遗传算法的决策引擎相比,基于改进人工蜂群算法的决策引擎平均收敛代数更少且最优解概率更高。      

基于改进蜂群优化的图像分割算法

针对图像分割算法各个性能不均衡的问题,提出一种基于蜂群优化与多颜色空间特征提取的图像分割算法.首先,对CIE颜色空间的L分量使用Gabor滤波器提取图像的纹理特征,并且在图像的HSV颜色空间计算图像的局部一致性,共提取图像的7个特征,组成特征向量;然后,本文对蜂群搜索算法进行优化,设计了一个有效的局部搜索算法,使得蜂群可高效地收敛至较优的帕累托最优解;最终,使用改进的蜂群算法对种子区域生长法进行改进与优化,指定种子的最优位置,决定每个种子点一致性准则的最优阈值,并将多准则作为多目标优化的问题,使用蜂群优化搜索帕累托最优解,最终获得分割结果.对比实验结果表明,该分割算法的时间效率、一致性误差以及类内散布度等性能较为均衡,具有较好的实用价值.     

基于MABC算法的云计算资源调度策略

为了提高云计算服务集群资源调度和任务分配的优化效果,提出一种基于改进的人工蜂群优化算法的云计算资源调度策略。针对ABC算法后期收敛速度慢,容易陷入局部最优的问题,引入了控制因子调度策略,通过自适应调整搜索空间,动态地调整蜜蜂之间的信息度,不断地进行信息交换跳出局部最优从而获得全局最优解。在云计算仿真平台CloudSim进行实验,结果表明,此方法能够缩短云环境下的任务平均运行时间,有效地提高了资源利用率。