基于当前最优解的人工蜂群算法

为克服人工蜂群算法在求解函数优化问题时存在收敛精度低、收敛速度慢的缺点,提出一种改进的人工蜂群算法。为提高人工蜂群算法的局部搜索能力和避免早熟收敛,跟随蜂在当前最优解的周围进行局部搜索,并随着迭代次数的增加,逐渐缩小侦查蜂在当前最优解周围的局部搜索范围。通过6个标准测试函数完成仿真实验,结果表明,与基本人工蜂群算法相比,改进算法在寻优精度和收敛速度上均得到提高。     

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。     

引入佳点集和猴群翻过程的人工蜂群算法

针对人工蜂群算法存在早熟现象和搜索过程容易陷入局部最优的缺陷,提出一种引入佳点集和猴群翻过程的改进人工蜂群算法。首先利用佳点集方法构造均匀的初始种群,通过保持种群的多样性,在一定程度上避免早熟现象,加快算法的收敛速度。然后学习猴群算法的翻过程,在寻优过程中使种群的搜索区域进行转移,从而跳出局部最优,得到全局最优解。在经典测试函数和CEC05测试函数集上的实验结果表明,与标准人工蜂群算法以及其它改进算法相比,算法性能优越,具有很强的鲁棒性和快速收敛的能力,且有效避免陷入局部最优。     

基于特征点集GABC算法的WSN覆盖优化

针对人工蜂群算法利用网格点计算网络覆盖率会导致计算量大且容易陷入局部最优解的问题,提出一种基于特征点集的全局最优解人工蜂群算法优化无线传感器网络。首先将目标区域划分成有限个特征点,用传感器对特征点的覆盖来转化为对若干特征点的覆盖计算,减少求解覆盖率的计算量,进而描述整个网络的覆盖情况。然后在特征点集的基础上,将全局最优解人工蜂群算法成功应用在网络覆盖领域,并且重点对比标准人工蜂群算法和基于全局最优解人工蜂群算法在网络覆盖上的性能。仿真实验结果表明基于全局最优解人工蜂群算法优化节点覆盖后,覆盖率得到有效的提升且不易陷入局部最优解。     

求解函数优化问题的改进人工蜂群算法

标准人工蜂群算法由于局部搜索能力差,收敛精度低,容易陷入早熟收敛等缺陷,从而求解最小值函数优化问题的能力受到限制。为了解决标准人工蜂群算法的以上问题,提出了一种改进的人工蜂群算法。该算法将混沌算子引入雇佣蜂和跟随蜂基于当前最优解的局部搜索策略中,并赋予跟随蜂细菌的趋药性,从而
　　提高了人工蜂群算法的局部搜索能力。在6个测试函数上的仿真结果表明,该算法能有效地避免陷入局部最优,并使收敛精度得到显著提高。     

基于梯度蜂群混合算法的电力系统最优潮流计算

针对电力系统最优潮流计算的问题提出一种基于梯度蜂群混合算法GABC.利用梯度算法的快速寻优特性得到某一局部极值,然后采用蜂群算法的全局寻优能力跳出该局部极值,并经过反复交替迭代最终找到问题的最优解.通过对IEEE5节点系统的计算结果表明改进后的人工蜂群算法可较好的处理最优潮流约束条件,有效提高基本蜂群算法的全局寻优能力...     

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。     

改进的人工蜂群算法在函数优化问题中的应用

人工蜂群算法是近年来新提出的一种优化算法。针对标准人工蜂群算法的局部搜索能力差,精度低的缺点,提出了一个改进的人工蜂群算法,利用全局最优解和个体极值的信息来改进人工蜂群算法中的搜索模式,并引入异步变化学习因子,保持全局搜索和局部搜索的平衡。将改进的人工蜂群算法在函数优化问题上进行测试,结果表明改进的人工蜂群算法优于原算法。     

基于改进邻域搜索策略的人工蜂群算法

针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.     

基于向量整体扰动的快速收敛人工蜂群算法

针对标准人工蜂群算法收敛速度慢和易陷入早熟收敛等问题,提出一种快速收敛人工蜂群算法。首先借助反向学习理论初始化种群来提高初始解的分布质量,并在雇佣蜂和跟随蜂阶段引入向量整体扰动搜索方程加快局部搜索;然后为了跳出局部最优,采用一种随机更新搜索策略来增加蜂群多样性以平衡全局探索和局部利用能力;最后通过八个标准测试函数的仿真实验,发现所提出的算法与几个改进的人工蜂群算法相比,具有更快的收敛速度且获得了更高的求解精度,验证了算法的优越性。     

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。     

自适应Tent混沌搜索的人工蜂群算法

为了有效改善人工蜂群算法(artificial bee colony algorithm,ABC)的性能,结合Tent混沌优化算法,提出自适应Tent混沌搜索的人工蜂群算法.该算法使用Tent混沌以改善ABC的收敛性能,避免陷入局部最优解,首先应用Tent映射初始化种群,使得初始个体尽可能均匀分布,其次自适应调整混沌搜索空间,并以迄今为止搜索到的最优解产生Tent混沌序列,从而获得最优解.通过对6个复杂高维的基准函数寻优测试,仿真结果表明,该算法不仅加快了收敛速度,提高了寻优精度,与其他最近改进人工蜂群算法相比,其性能整体较优,尤其适合复杂的高维函数寻优.     

改进的人工蜂群算法性能

为克服人工蜂群算法容易陷入局部最优解的缺点,提出一种新的改进型人工蜂群算法。首先,利用数学中的外推技巧定义了新的位置更新公式,由此构造出一种具有引导趋势的蜂群算法;其次,为了克服算法在进化后期位置相似度高、更新速度慢的缺陷,将微调机制引入算法中,讨论摄动因子范围,由此提高算法在可行区域内的局部搜索能力。最后通过3个基准函数仿真测试,结果表明：与常规算法相较,改进后在搜索性能和精度方面均有明显提高。     

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））。     

基于动态评价选择策略的改进人工蜂群算法

针对标准人工蜂群(ABC)算法易陷入局部极值的问题,对标准ABC算法的轮盘赌选择机制进行了修改,提出了一种基于动态评价选择策略的改进人工蜂群(DSABC)算法。首先,根据到当前为止一定迭代次数内蜜源位置的连续更新或停滞次数,对每个蜜源位置进行动态评价;然后,利用所得的评价函数值为蜜源招募跟随蜂。在6个经典测试函数上的实验结果表明:与标准ABC算法相比,动态评价选择策略改进了标准ABC算法的选择机制,使得DSABC算法的求解精度有较大幅度提高,特别是对于两种不同维数的Rosenbrock函数,所得最优值的绝对误差分别由0.0017和0.0013减小到0.000049和0.000057;而且,DSABC算法克服了进化后期因群体位置多样性丢失较快而产生的早熟收敛现象,提高了整个种群的收敛精度及解的稳定性,从而为函数优化问题提供了一种高效可靠的求解方法。     

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。     

基于自适应蜂群算法的云计算负载平衡机制

针对将蜂群算法应用在负载平衡系统中,出现的由于请求之间关系处理不当而产生的不利于负载平衡的资源局部密集现象,提出了改进的自适应蜂群算法。通过引进其他类型的请求,以阻断短时间内本该到来的与该服务器处理的请求有某些相似的请求,由此增强了负载平衡的可用性,提高了系统吞吐量。实验结果表明基于蜂群算法的负载平衡机制无论是在系统吞吐量方面或是系统可扩展性方面均适用于云计算环境,改进的自适应蜂群算法在系统吞吐量方面较传统算法性能提高5%以上。     

自适应搜索空间的混沌蜂群算法

针对人工蜂群（ABC）算法的不足,以种群收敛程度为依据,结合混沌优化的思想,提出一种改进的人工蜂群算法—自适应搜索空间的混沌蜂群算法（SA-CABC）。其基本思想是在原搜索区域的基础上,根据每次寻优的结果自适应地调整搜索空间,逐步缩小搜索区域,并利用混沌变量的内在随机性和遍历性跳出局部最优点,最终获得最优解。基于六个标准测试函数的仿真结果表明, 本算法能有效地加快收敛速度,提高最优解的精度, 其性能明显优于基本ABC算法,尤其适合高维的复杂函数的寻优。