改进的蜂群算法

针对蜂群算法收敛速度缓慢、容易出现早熟的问题,提出一种改进的蜂群算法(IABC)。IABC在跟随阶段食物源更新中根据邻域个体食物源质量调整信息共享程度,并且随着搜索进程减弱当前食物源的影响、增强邻域信息共享强度,使蜂群在搜索初期快速收敛到最优食物源所在区域、在搜索后期提高全局收敛性能。函数测试结果表明,IABC有效地提高了ABC的收敛速度和优化精度,特别适合复杂函数的优化问题。     

空间优化选址中的增强型人工蜂群算法

公共服务设施选址是一种复杂的空间优化问题,选址的好坏关系到公共服务设施能否发挥其最大作用。利用穷举算法难以对高维的数据问题进行求解。针对空间优化选址的特点及人工蜂群算法收敛速度慢的问题,提出了适合空间选址的邻域搜索新公式,并将交叉的思想引入到了算法中,加快了全局最优解的寻优速度。对算法的可行性和有效性进行了验证,实验表明增强型人工蜂群算法比基本的人工蜂群算法取得了较优的效果。     

基于混沌更新策略的蜂群算法在SVM参数优化中的应用

针对支持向量机的参数寻优缺乏数学理论指导,传统人工蜂群算法易陷入长期停滞的不足,而混沌搜索算法具有很好的随机性和遍历性,提出了基于混沌更新策略人工蜂群支持向量机参数选择模型(IABC-SVM)。该模型利用混沌搜索对侦察蜂搜索方式进行改进,有效提高蜂群算法搜索效率。以UCI标准数据库中的数据进行数值实验,采用ACO-SVM、PSO-SVM、ABC-SVM作为对比模型,实验表明了IABC在SVM参数优化中的可行性和有效性,具有较高的预测准确率和较好的算法稳定性。     

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。     

增强开发能力的改进人工蜂群算法

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））。     

深层加速搜索的蜂群算法

蜂群(ABC)算法是近年来提出的一种求解优化问题的较新型的仿生进化算法。针对蜂群算法的不足,依据反向搜索的思想,提出一种改进的蜂群算法。在改进算法中,每次邻域搜索之后,通过比较新旧食物源位置的花蜜值(而非适应度)来选择保留较优解。同时,在采蜜蜂采蜜后以一定概率进行反向搜索,保留较优解。邻域搜索的维数也不再限定某一维。基于五个标准测试函数的仿真结果表明,本算法能有效加快收敛速度,提高最优解的精度,其性能明显优于基本的蜂群算法。     

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。     

人工蜂群算法在移动机器人路径规划中的应用

研究机器人路径规划优化问题,机器人工作环境复杂,运动路径上存在许多障碍物.针对提高机器人安全导航性能问题,传统群智能算法存在早熟、搜索效率低等难题,难以获得全局最优路径.为了获得最优机器人运动路径,避免碰撞的发生,提出了一种人工蜂群算法的机器人路径规划方法.首先采用栅格法对机器人工作环境进行建模,然后机器人路径规划目标点作为蜜源,最后蜂群之间信息交换、协作搜索最优机器人运动路径.结果表明,人工蜂群算法解决了传统群智能算法存在的难题,加快了机器人路径规划求解速度,以较短时间找到最短机器人运动路径.     

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。     

基于猫群思想的混合人工蜂群算法

为了缓解基本人工蜂群算法后期种群多样性下降,易陷入局部最优,开采能力较差等问题,提出一种基于猫群思想的混合人工蜂群算法。提出基于随机新解引导的自适应搜索策略,结合多次高斯搜索机制,对雇佣蜂阶段进行优化;引入基于猫群思想的搜索过程,结合顺序模式分配方式,对较优解执行搜寻模式,对较差解执行优化后的跟踪模式;优化后的跟踪模式采用位移模型对解进行更新。对标准测试函数寻优,结果表明混合人工蜂群算法收敛精度更高,所需的迭代次数更少。得出结论:基于随机新解引导的自适应搜索策略能有效缓解算法易陷入局部最优的问题,基于猫群思想的搜索过程能有效提高算法的局部开采能力和全局搜索能力,混合人工蜂群算法具有更优秀的收敛性能。     

基于改进蜂群算法的机器人路径规划

针对机器人的路径规划问题,本文提出了采用改进的具有群集智能的蜂群算法（Artificial Bee Colony,ABC）,结合三次贝塞尔曲线来描述路径,共同实现路径优化的方法.为了克服标准ABC容易陷入局部最优和后期收敛速度慢的缺点,对雇佣蜂阶段和守望蜂阶段进行改进,且与其他算法得到的优化曲线相比较,进而得出不同算法在路径优化方面的优劣性.实验结果表明：改进的蜂群算法在路径优化方面具有更好的寻优性能,能够得到更短路径.     

人工蜂群算法综述

近年来群智能算法发展较为迅速并解决了很多大规模的复杂问题。人工蜂群算法是一种新型的群智能算法, 以其很强的全局收敛性、贪婪启发式的搜索特征以及求解问题的快速性等优越的性能受到广泛关注。简单介绍了人工蜂群算 法提出的生物学背景;由蜜蜂觅食行为与现实问题的求解类比给出了该算法的建模思想;并详细介绍了人工蜂群算法实现的 算法模型;从基于算法的改进以及基于算法的应用两方面讨论了近年来很多学者对人工蜂群算法研究的现状;最后对人工蜂群 算法的研究进行展望,从算法的弱点分析提出了该算法改进的方向以及进一步应用的领域。     

基于改进搜索策略和混沌机制的人工蜂群算法

人工蜂群算法具有较强的探索能力,但是开采能力差、搜索精度低、后期收敛速度慢。针对以上问题,本文提出一种基于混沌机制的人工蜂群算法,在搜索方程中引入历史平均最优解,避免探索和开采能力的失衡;迭代后期,若种群陷入局部极值,采用混沌序列对种群进行变异,以增强算法的开采能力和求解的质量,保持种群的多样性。经过函数测试结果表明,改进后的算法在求解速度和精度上均优于基本ABC算法和其他改进算法。      

一种简单高效的改进人工蜂群优化算法

人工蜂群（Artificial bee colony, ABC）算法是一种新型的仿生智能优化算法。与其他仿生智能优化算法相比,ABC算法的优化求解策略仍有待改进,以进一步提高其收敛速度和优化求解精度。为此,本文提出一种简单而高效的改进ABC算法,将统计学中的正态分布理论引入ABC算法的优化求解过程。首先,提出基于正态分布的蜜源初始化策略,提高了初始化过程的目的性,为后续搜索提供了精度保障。进而对搜索公式中的基础位置和缩放因子进行改进,提出了基于正态分布的搜索策略。该策略在扩大搜索范围的同时,使搜索更新过程更具目的性,从而在有效防止陷入局部收敛的同时,提高了优化求解速度。针对高维复杂Benchmark函数的测试实验结果表明,所提出算法的改进策略简单有效,其收敛速度和求解精度更高。     

基于人工蜂群算法的混沌系统参数估计

为了更准确的估计混沌系统的未知参数,提出了一种基于人工蜂群算法的混沌系统参数辨识方法,该方法将混沌系统中参数估计转化为多维变量的函数优化问题,利用搜索方程对多维空间变量进行充分搜索,通过优化人工蜂群算法计算估计值与真值之间的均方差,从而估计出混沌系统的参数.Lorenz混沌系统的参数辨识仿真实验结果表明了该方法的可行性...     

一种改进的人工鱼群算法

人工鱼群算法是一种基于动物行为的群体智能优化算法。该文提出一种改进的人工鱼群算法,在觅食行为中让人工鱼直接移动到较优位置,以加快算法的搜索速度,动态调整人工鱼的视野和步长,使其在算法运行初期保持最大值,并逐渐由大变小。该算法较好地 平衡了全局搜索能力和局部搜索能力,提高了算法运行效率和精度。仿真结果表明,改进的人工鱼群算法收敛性能比原有算法提高了1倍 以上。     

冯诺依曼人工蜂群算法求解RFID网络优化问题

本文提出了一种具有冯诺依曼社会结构的新型人工蜂群算法(VNABC)。本文采用四个测试函数验证VNABC算法性能,并将其应用于求解射频识别系统中的读写器网络覆盖和防冲突问题。试验结果表明,与基本人工蜂群算法和粒子群优化算法比较,VNABC算法求解复杂优化问题收敛速度较快、求解精度更高,从而为应用智能方法求解RFID系统优化问题提供了有效的可行方案。     

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。     

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。