基于中心解的改进人工蜂群算法

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。     

基于多策略融合的改进人工蜂群算法

针对标准人工蜂群算法存在易陷入局部最优、收敛速度慢等缺陷,提出一种基于多策略融合的改进人工蜂群算法。为了避免陷入局部最优,引入可调压排序选择策略,以保证种群的多样性;同时,通过跟随蜂阶段将线性调整全局引导策略、自适应动态调整因子策略与标准人工蜂群算法的更新策略组成一个动态调整策略集,通过比较食物源的当前质量值与上次迭代质量值对动态策略进行调整,以加快算法的收敛速度。利用标准测试函数进行实验仿真,结果表明该算法不仅提高了求解精度,而且加快了收敛速度,迭代次数明显减少。     

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。     

受强弱关系理论启发的改进人工蜂群算法

针对原人工蜂群算法在寻优过程中存在收敛精度不高、容易陷入局部最优的问题,提出一种改进人工蜂群算法(SWT-ABC)。将社会学中强弱关系模型化并引入多子群矩阵式蜂群结构,定义了强关系个体从三个方向随机引导搜索,加快算法收敛速度和提高收敛精度;为增强算法跳出局部最优的能力,定义了弱关系个体交互以实现子群间信息交流来提升种群多样性;增加侦查蜂反向学习机制并确定合适的蜜源上限,能有效提升目标函数评价次数的利用效率。通过基准测试函数的数值实验并与12种改进算法进行对比,改进后的人工蜂群算法收敛精度更高、全局寻优能力更强,并且在高维优化问题求解中仍具备良好的收敛性能。     

基于当前最优解的分段搜索策略的人工蜂群算法

为了克服人工蜂群算法在求解函数优化问题中所存在的局部搜索能力差、收敛精度低的缺点,提出了一种基于当前最优解的分段搜索策略的人工蜂群算法。该算法中跟随蜂利用由全局当前最优解和个体当前最优解引导的局部搜索策略逐维进行变异,并采用基于“分段思想”的局部搜索策略对蜜源进行贪婪更新,以提高蜜源的更新效率,从而提高了人工蜂群算法的局部搜索能力。6个标准测试函数的仿真实验结果表明,与基本人工蜂群算法相比,改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。     

增强寻优能力的改进蜂群算法

针对人工蜂群算法易陷入局部最优问题,首先,将蜂群算法中的跟随蜂数量翻倍,用其一半采用轮盘赌选择机制更新,保持蜂群沿着蜜源浓度大的方向进化;增加的一半跟随蜂采用反向的轮盘赌选择机制,用以维持种群的多样性。其次,将所有未更新计数器次数大于阈值的蜜源对应的引领蜂变成侦察蜂,并对相应蜜源进行更新搜索。最后,求出每一轮迭代后所得蜜源的中心位置,通过中心位置与每个蜜源所在的邻域内产生一新解,再比较适应度值的大小,选择优者。经过实验证明,该改进算法具有更高的收敛精度和很好的鲁棒性,且增加了算法跳出局部最优的机会,增强了蜂群算法的寻优能力,具有更好的优化性能。     

基于精英蜂群搜索策略的人工蜂群算法

针对人工蜂群(ABC)算法存在收敛速度慢、求解精度不高、容易陷入局部最优等问题,利用蜂群觅食过程中先由侦察蜂进行四处侦察食物,并利用蜂群搜索构建精英群体指导蜂群觅食寻优。据此,提出了一种模拟侦察蜂侦察觅食行为的基于精英蜂群搜索策略的连续优化算法。算法利用构建精英蜂群策略、改进侦察蜂搜索机制以及基于目标函数值选择寻优三个主要策略加强算法的搜索机制。数值实验表明,所提算法不仅寻优精度和寻优率非常高,且收敛速度快,并能适于高维空间的优化问题。     

基于混合搜索的多种群人工蜂群算法

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。     

云变异人工蜂群算法

针对传统人工蜂群算法存在收敛速度慢和易陷入局部最优的问题,提出一种基于云模型的改进人工蜂群算法。通过正态云算子计算候选位置,自适应调整算法的局部搜索范围,以提高算法的收敛速度和勘探能力。为保持种群多样性,引入一个新的概率选择策略,使较差的个体具有较大的选择概率,并且利用历史最优解探索新的位置。标准复合函数测试表明,改进算法的收敛速度和求解精度得到提升,优于一些新近提出的改进人工蜂群算法。     

改进搜索策略的人工蜂群算法

针对人工蜂群(ABC)算法存在收敛速度慢、收敛精度低的问题,给出一种改进的人工蜂群算法用于数值函数优化问题。在ABC的邻域搜索公式中利用目标函数自适应调整步长,并根据迭代次数非线性减小侦查蜂的搜索范围。改进ABC算法提高了ABC算法的局部搜索能力,能够有效避免早熟收敛。基于6个标准测试函数的仿真实验表明,改进ABC算法的寻优能力有较大提高,对于多个高维多模态函数该算法可取得理论全局最优解。与对比算法相比,该算法具有更高的收敛精度,并且收敛速度更快。     

Dynamic mechanism-assisted artificial bee colony optimization for image segmentation of COVID-19 chest X-ray

The artificial bee colony optimization (ABC) algorithm operates efficiently and converges well but still suffers from the problem of easily falling into local optimum, and there is room for improving the convergence speed. For this reason, this paper proposes a dynamic mechanism-assisted ABC algorithm (EABC), which contains a dynamic approximation strategy for the optimal solution and a periodic variable food source number strategy. The dynamic approximation of the optimal solution strategy improves the swarm position update formulation and increases the pre-convergence speed of the ABC algorithm. Utilizing a periodic variable food source number scheme allows for more rapid algorithm convergence while simultaneously producing higher variability and diminishing the chances of the algorithm becoming trapped in local optima. In addition, this paper proposes a multi-threshold image segmentation (MTIS) model for COVID-19 X-ray chest images based on EABC. In this paper, the optimization performance of EABC is verified on the benchmark function of IEEE CEC 2017. The effectiveness of the EABC-based MTIS model is also validated on COVID-19 X-ray chest images.     

一种求解高维约束优化问题的人工蜂群算法*

针对求解高维约束优化中算法的收敛速度和解的精度不高的缺点,提出一种改进的人工蜂群约束优化算法。该算法在初始化种群和侦察蜂探寻新蜜源时采用了正交实验设计方法,并在采蜜蜂搜索时使用了改进的高斯分布估计,跟随蜂按照采蜜蜂的适应值大小选择一个采蜜蜂,在其蜜源领域内采用差异算法搜索新的蜜源;在处理约束条件时采用自适应优劣解比较方法。最后通过13个标准的Benchmark测试函数进行仿真实验,结果表明该算法在处理高维约束优化问题时具有较好的收敛性和稳定性。     

An adaptive artificial bee colony and late-acceptance hill-climbing algorithm for examination timetabling

The artificial bee colony (ABC) is a population-based metaheuristic that mimics the foraging behaviour of honeybees in order to produce high-quality solutions for optimisation problems. The ABC algorithm combines both exploration and exploitation processes. In the exploration process, the worker bees are responsible for selecting a random solution and applying it to a random neighbourhood structure, while the onlooker bees are responsible for choosing a food source based on a selection strategy. In this paper, a disruptive selection strategy is applied within the ABC algorithm in order to improve the diversity of the population and prevent premature convergence in the evolutionary process. A self-adaptive strategy for selecting neighbourhood structures is added to further enhance the local intensification capability (adaptively choosing the neighbourhood structure helps the algorithm to escape local optima). Finally, a modified ABC algorithm is hybridised with a local search algorithm, i.e. the late-acceptance hill-climbing algorithm, to quickly descend to a good-quality solution. The experiments show that the ABC algorithm with the disruptive selection strategy outperforms the original ABC algorithm. The hybridised ABC algorithm also outperforms the lone ABC algorithm when tested on examination timetabling problems.     

引入跟踪搜索和免疫选择的人工蜂群算法

针对人工蜂群算法中食物源更新和观察蜂选择食物源机制存在的缺点,提出一种具有跟踪搜索和免疫选择的人工蜂群算法。在原搜索方法基础上,引入跟踪全局最优解和随机选择解的搜索方法,选择搜索到的最优解作为候选解,以加快种群的收敛速度,提高算法的收敛性;在观察蜂选择食物源时,引入免疫系统的抗体浓度调节机制,以维持种群的多样性,提高算法的全局搜索能力。对6个经典测试函数的仿真计算结果表明,与ABC、GABC、RABC和TABC算法相比,改进算法在寻优精度、收敛性能方面具有较明显的优势。     

隐形矫治方案中的牙齿运动路径规划方法研究

针对隐形矫治方案制定过程中传统牙齿运动路径规划方法准确度及效率低下问题， 根据牙颌评价参数提出新的目标函数，再以传统的人工蜂群算法(ABC)为基础，通过外部存储 存放Pareto 解集，然后以改进的Harmonic 距离对Pareto 解集进行更新，从而提高种群的多样 性。随后通过Slerp 球面线性插值以及线性插值获取牙齿运动路径初始值，与人工蜂群算法中 的初始食物源生成方式相结合，生成更好的食物源。通过改进后的人工蜂群算法采用优先级方 案对新目标函数进行优化，得到牙齿的无碰撞运动路径。通过验证本文方法的矫治方案效果， 并与传统目标函数进行比较，结果表明目标函数可以生成更符合临床治疗要求的矫治方案，改 进ABC 算法相比基本ABC 能够获得更优的路径，缩短了矫治阶段数，具有实用价值。     

受粒子群和差分进化启发的人工蜂群算法

针对基本人工蜂群算法搜索策略探索能力强而开发能力弱的特点,受粒子群和差分进化思想的启发,提出了两种新的搜索策略：PSO-DE-PABC和PSO-DE-GABC。前者在随机个体附近产生新的候选位置以提高算法的多样性;后者在最优解附近产生新的候选位置以提高算法的收敛速度,并加入差分进化中的差异向量来增加种群的多样性。在此基础上,引入维度因子来控制算法的收敛速度,并且使用一种利用当前种群信息的侦查策略来增强算法的局部搜索能力。通过对10组标准测试函数的实验仿真并与基本ABC、GABC和ABC/best算法相比,结果表明PSO-DE-GABC和PSO-DE-PABC对数值优化具有更高的收敛速度和收敛精度。