引入人工蜂群搜索算子的粒子群算法

针对标准粒子群算法易出现早熟现象和收敛速度慢等问题,提出一种引入人工蜂群搜索算子的粒子群算法.首先利用人工蜂群搜索算子很强的探索能力,对粒子搜索到的历史最优位置进行搜索以帮助算法快速跳出局部最优点;然后,为了提高算法的全局收敛速度,提出一种基于混沌和反学习的初始化方法.通过12个标准测试函数的仿真实验并与其他算法相比较,所得结果表明所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力.     

引入混合蛙跳搜索策略的人工蜂群粒子群算法

由于标准粒子群算法易于陷入局部最优和收敛速度慢等问题,提出了一种引入人工蜂群搜索策略和混合蛙跳搜索策略的粒子群算法（ABCSFL-PSO）。使用人工蜂群的搜索策略提高算法的探索能力,避免算法陷入局部最优;使用蛙跳算法中更新最差粒子的策略,来加快算法收敛速度,并进一步提高求解精度。在12个标准测试函数上的仿真实验结果表明,算法性能优良,不仅能够避免陷入局部最优,而且显著提升了收敛速度。     

基于禁忌搜索的人工蜂群算法

针对人工蜂群算法（Artificial Bee Colony,ABC）邻域搜索能力不强且容易陷入局部最优的不足,引入禁忌搜索的思想,提出了基于禁忌搜索的人工蜂群算法（TS_ABC）。TS_ABC算法在ABC算法的基础上加入两个禁忌表,分别记为禁忌表T1和禁忌表T2。禁忌表T1的长度是有限的,存储蜜蜂访问过的当前解;禁忌表T2的长度是无限的,存储优化[limit]次后没有改进的解。蜜蜂在蜜源位置搜索新解时要跳过禁忌表里的解,这样避免了重复搜索,增强了邻域搜索能力,克服了容易陷入局部最优。15个标准函数上实验结果表明：（1）TS_ABC的性能优于ABC算法;（2）在求解多峰函数最优解时,TS_ABC性能更加优于ABC算法;（3）随着函数维数的增加,相对于ABC算法,TS_ABC性能提高更多。3个标准函数上实验结果表明：TS_ABC算法性能优于ABC算法,即提出的使用两个禁忌表的方法优于只使用一个禁忌表的方法。     

引入人工蜂群搜索算子的QPSO算法的改进实现

针对基于人工蜂群搜索算子的量子粒子群算法（IQPSO）求解精度不理想,收敛速度慢等问题,将一种更新全局最优的新策略融入到IQPSO算法中,引入双中心粒子,将IQPSO算法得到的全局最优解进行多种群划分,使得全局最优解的每一维度的值都与双中心粒子相对应的维度分别替换,再次更新全局最优,在算法解附近探索更加精确的结果。通过五个测试函数的仿真实验与IQPSO算法比较,验证所提的算法有良好的准确性与收敛速度的改进。     

基于动态搜索策略的人工蜂群算法

为避免人工蜂群算法陷入早熟,提出一种基于动态搜索策略的人工蜂群算法,新算法改进了人工蜂群算法的搜索策略,将两种不同的搜索策略组合成新的搜索策略,以便动态利用两种不同搜索策略的优点,平衡了算法的局部搜索能力和全局搜索能力。基准函数的仿真实验表明,新算法收敛速度快、求解精度高、鲁棒性较强,适合求解高维复杂的全局优化问题。     

混沌搜索策略的改进人工蜂群算法

针对人工蜂群算法的蜂群缺乏多样性、全局和局部搜索能力差及收敛速度较慢,提出一种基于混沌搜索策略的改进人工蜂群算法。该算法通过载波映射,由混沌-决策变量的变换,产生新的邻域点,为采蜜蜂和被招募的观察蜂提供了更广阔的搜索空间和更优质的位置蜜源,增强蜂群多样性;同时,引进侦查蜂局部蜜源搜索较好地解决了算法易陷入局部极小的问题,改善了人工蜂群算法的收敛性能。最后由6个标准测试函数的仿真验证,得到基于混沌搜索策略的人工蜂群算法性能明显优于标准人工蜂群算法。     

基于局部搜索的人工蜂群算法

针对人工蜂群算法存在收敛速度慢、易早熟等缺点,提出一种改进的人工蜂群算法.利用随机动态局部搜索算子对当前的最优蜜源进行局部搜索,以加快算法的收敛速度;同时,采用基于排序的选择概率代替直接依赖适应度的选择概率,维持种群的多样性,以避免算法出现早熟收敛.对标准测试函数的仿真实验结果表明,所提出的算法具有较快的收敛速度和较高的求解精度.     

基于局部搜索的人工蜂群算法

针对人工蜂群算法存在收敛速度慢、易早熟等缺点, 提出一种改进的人工蜂群算法. 利用随机动态局部搜索算子对当前的最优蜜源进行局部搜索, 以加快算法的收敛速度; 同时, 采用基于排序的选择概率代替直接依赖适应度的选择概率, 维持种群的多样性, 以避免算法出现早熟收敛. 对标准测试函数的仿真实验结果表明, 所提出的算法具有较快的收敛速度和较高的求解精度.     

一种改进搜索策略的人工蜂群算法

为克服人工蜂群算法原有搜索策略存在探索能力强而开采能力弱的缺点,受差分进化算法的启发,提出了一种新的搜索策略,在种群最优解的附近产生新的候选位置,有助于提高人工蜂群算法的开采能力.同时,为了平衡算法的探索和开采能力,将种群中的个体随机分成两组,每组采用不同的搜索策略同时寻优.对6个基准测试函数进行仿真的结果表明,改进的搜索算法相比基本人工蜂群算法能有效地改善寻优性能,增强算法摆脱局部最优的能力.     

多搜索策略协同进化的人工蜂群算法

针对人工蜂群算法存在的计算精度不高、收敛速度较慢的缺点,提出一种多搜索策略协同进化的人工蜂群算法.所提出的算法在引领蜂和跟随蜂进行邻域搜索时,动态调整搜索的维数以提高搜索效率,并结合人工蜂群算法不同搜索策略的特点,使其协同进化,以平衡算法的局部搜索能力和全局搜索能力.14个基准函数的仿真实验结果表明,所提出的算法能有效改善寻优性能,增强摆脱局部最优的能力.与其他一些改进的人工蜂群算法相比,具有较快的收敛速度和较高的求解精度.     

基于多维贪婪搜索的人工蜂群算法

人工蜂群算法在多峰高维函数优化问题的求解上取得了较好的结果,但随着函数的复杂度及维数增高,仍存在收敛速度慢、易陷入局部最优等问题。为此,提出一种新的人工蜂群算法。将人工蜂群对食物源的单维贪婪搜索改进为多维贪婪搜索以增强蜂群的搜索能力,避免在个别维度上出现较优解的食物源由于达到更新阈值却被废弃而造成迂回搜索的现象,引入扰动搜索机制避免迭代后期食物源位置在个别维度收敛导致算法陷入局部最优。仿真实验结果表明,该算法能保持深度挖掘和广度搜索上的平衡,在高维函数优化问题求解的收敛速度和计算精度方面表现出较好的性能。     

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。     

人工蜂群算法的一种改进

人工蜂群算法作为一种新生代的优化算法,近年来在众多科学领域中表现出一定的优势,但是其收敛速度并不高效,并且容易过早地陷入局部最优。首先通过对适应度选择进行改进,提高算法的收敛速度,同时结合模拟退火算法,一定程度上避免过早陷入局部最优。最后用一组基准函数进行实验,证明改进后的人工蜂群算法有更好的优化性能。     

一种带规范知识引导的改进人工蜂群算法

针对数值函数优化问题,提出一种改进的人工蜂群算法.受文化算法双层进化空间的启发,利用信度空间中的规范知识引导搜索区域,自适应调整算法的搜索范围,提高算法的收敛速度和勘探能力.为保持种群多样性,设计一种种群分散策略,平衡群体的全局探索和局部开采能力,并且在各个进化阶段采用不同的方式探索新的位置.通过对多种标准测试函数进行实验并与多个近期提出的人工蜂群算法比较,结果表明该算法在收敛速度和求解质量上均取得较好的改进效果.     

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。     

基于人工蜂群算法的疏散运动仿真

针对原始人工蜂群算法在人群疏散仿真中存在的早熟停滞问题,提出一种基于种群划分思想的新型蜂群算法.以种群划分为基础,利用多种群协同进化机制扩展求解的多样性,防止算法陷入局部最优.以ACIS/HOOPS为平台搭建3D仿真系统,对改进算法进行人群疏散仿真及对比分析,结果表明,与原始算法相比,该算法在精度和收敛速度上明显提升.与粒子群优化算法相比,该算法能够实现人群疏散的均衡分布,提高应急疏散的效率.     

基于分段搜索策略的自适应差分进化人工蜂群算法

针对人工蜂群算法在求解函数优化问题时存在的探索能力强,而开发能力不足和收敛性能差的问题,本文提出一种基于分段搜索策略的自适应差分进化人工蜂群算法。该算法将改进后的差分进化算法中的变异操作引入到观察蜂的局部搜索策略中,让观察蜂在雇佣蜂逐维变异后的当前最优解周围进行局部搜索,并采用分段搜索的方式更新蜜源,以提高其局部搜索能力。仿真实验结果表明,与基本人工蜂群算法相比,改进后的算法有效地平衡了算法的探索能力和开发能力,并提高了算法的寻优精度和收敛速度。     

学习猴群爬过程的人工蜂群优化算法

针对人工蜂群算法迭代后期容易陷入局部的缺点,将猴群算法的爬过程引入到采蜜蜂采蜜的阶段,加强局部搜索。通过仿真实验测试,与参考文献中的改进算法进行比较,可以得到提出的改进算法比原人工蜂群算法及现有的部分改进算法性能优良,能够在一定程度上跳出局部最优,得到的近似解也更加接近测试函数理论最优解。     

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。     

Culture-based Artificial Bee Colony with heritage mechanism for optimization of Wireless Sensors Network

In this paper, a hybridization model based on culture algorithm and Artificial Bee Colony is proposed. The objective of the hybrid model is mainly to get benefit of the previous knowledge gained by predecessor foragers which help bees searching for food sources in potential positions. The proposed CB-ABC focuses on the kind of information in the belief space that should be stored to reduce promising solutions’ area. Moreover, CB-ABC divides the population into two groups of individuals, one group updates by the heritage of best previous solutions and the other group updates by self-adaptive information. The performance of the new algorithm has been validated on a variety of numerical testbench functions (ranging from CEC 2005 and CEC 2017) and compared to standard ABC and other variants named ABCM, HPA and CABCA as well.The proposed algorithm proves its success as well when applied on Wireless Sensor Network (WSN) to locate them accurately. To validate the performance of CB-ABC it is compared with Particle Swarm Optimization (PSO), Genetic Algorithm (GA), Cuckoo Search (CS), Firefly Algorithm (FA) and Parallel Firefly Algorithm (PFA). CB-ABC shows the least average error value compared to the standard ABC as well as the other algorithms previously mentioned in the comparison. Moreover, CB-ABC succeeds in reducing the number of iterations as well as function evaluations to 17% of those of the standard ABC to 20% of those obtained by ABCM during solving WSN localization problem. CB-ABC’s parametric study (heritage size and offspring ratio) has been carried out as well.