多目标人工蜂群算法研究

人工蜂群算法是一种模仿蜜蜂采蜜行为的新兴群体智能算法.本文在人工蜂群算法的基础上采用多目标进化算法中的Pareto非劣排序和个体密度值的概念并借鉴粒子群算法,引入全局最优解记录全局最优位置,提出了一个基于Pareto占优的多目标人工蜂群算法.最后验证了算法的可行性.     

人工蜂群算法在带约束圆形布局问题中的应用

人工蜂群算法是一种基于蜜蜂采蜜机制的新型演化算法。给出了带平衡约束的圆形布局问题的数学模型,介绍了人工蜂群算法的基本过程以及计算流程,将人工蜂群算法应用于带平衡约束的圆形布局优化中。通过两个实例进行仿真计算,并将计算结果与文献结果比较,验证了人工蜂群算法是解决此类问题的一种有效且实用的群智能算法。     

改进的人工蜂群算法在神经网络中的应用

人工蜂群算法是模拟蜜蜂采蜜行为而提出的一种新的启发式仿生算法,属于典型的群体智能算法。提出了一种改进的人工蜂群算法,并利用改进后的人工蜂群算法来优化传统BP算法（神经网络算法中的误差方向传播算法）中网络参数的权值。实验结果证明该优化算法提高了BP神经网络收敛解的精度,加快了BP神经网络收敛速度。     

基于引导素更新和扩散机制的人工蜂群算法

人工蜂群算法是一种新型的搜索算法,其机理是通过模拟蜂群采蜜过程中体现出的智能行为来实现对问题的求解.在现有的蜂群算法中,蜂群间的信息交流仅使用单一的行为通信(跳舞),蜂群间的协作存在明显不足,影响了蜂群算法的求解性能.根据真实蜜蜂多模式传递信息的客观事实,通过引入基于引导素的化学通信方式,提出一种新的更忠实反映蜂群信息传递的蜂群算法,并应用于多维背包问题(MKP)的求解.新算法将行为通信和化学通信相融合,利用引导素的更新和扩散机制使蜂群能够更好地进行协作.MKP的仿真实验结果表明新算法优于传统的ABC算法.与其他一些元启发式搜索算法的比较同样显示了新算法的有效性.     

基于ABC算法的逻辑推理题快速求解方法

针对逻辑推理题求解空间大、求解时间长的问题,模仿自然界蜜蜂采蜜现象,利用操作系统的多线程并发机制,提出并实现了一种基于人工蜂群算法的逻辑推理题求解方法.该方法以各个线程作为不同角色的蜜蜂,将求解逻辑推理题的过程转化为人工蜂群寻找最优蜜源的过程,通过人工蜂群算法中侦查蜂、引领蜂和跟随蜂的分工协作快速完成逻辑推理题求解.在VC++6.0环境中,对10个组合问题求解的仿真实验表明,该方法求解速度明显优于未使用蜂群算法的单线程算法.     

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。     

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。     

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。     

蜂群算法解决集聚约束调度问题

为满足真实调度环境中常见的集聚约束问题,本文提出以蜂群优化为基础的调度算法,形成个性化调度方案。算法通过模仿蜂群的"觅食"和"舞蹈"行为实现寻优操作,通过赋予蜜蜂不同的"信念"实现种群的多样化,通过将集聚约束以社会规范的形式融合到蜜蜂觅食过程中满足用户对调度的个性化要求,通过蜜蜂在舞蹈过程中展示行走路径和选择参考路径实现蜂群"经验"共享。对若干标准算例的测试结果及与其它算法的比较验证了本文算法的有效性。     

引入拥挤度概念的蜂群算法与网络组播路由研究

计算机网络中的QoS组播路由选择是一个NP完全问题,采用改进的人工蜂群算法对其进行优化。当采蜜蜂进行邻域搜索时,引入拥挤度参数可以对其数量进行调控,避免过多的采蜜蜂在同一蜜源附近搜索;当拥挤度高时则增加侦查蜂的数量,从而有效提高算法的全局搜索能力。算法通过人工蜂群遍历所有满足时延、延迟抖动、带宽、丢包率等约束条件下的可能路径,进而选择组播路由的最佳方案。对于静态网络拓扑的仿真实验表明,上述改进算法的收敛性能明显优于基本蜂群算法。     

具有混合群智能行为的萤火虫群优化算法研究

萤火虫群优化算法是一种新型的群智能优化算法,基本的萤火虫群优化算法存在收敛精度低等问题。为了提高算法的性能,借鉴蜂群和鸟群的群体智能行为,改进萤火虫群优化算法的移动策略。运用均匀设计调整改进算法的参数取值。若干经典测试问题的实验仿真结果表明,引入混合智能行为大幅提升了算法的优化性能。     

Artificial bee colony algorithm with memory

Artificial bee colony algorithm (ABC) is a new type of swarm intelligence methods which imitates the foraging behavior of honeybees. Due to its simple implementation with very small number of control parameters, many efforts have been done to explore ABC research in both algorithms and applications. In this paper, a new ABC variant named ABC with memory algorithm (ABCM) is described, which imitates a memory mechanism to the artificial bees to memorize their previous successful experiences of foraging behavior. The memory mechanism is applied to guide the further foraging of the artificial bees. Essentially, ABCM is inspired by the biological study of natural honeybees, rather than most of the other ABC variants that integrate existing algorithms into ABC framework. The superiority of ABCM is analyzed on a set of benchmark problems in comparison with ABC, quick ABC and several state-of-the-art algorithms.     

量子群智能优化算法综述

随着科学技术的不断发展,最优化理论及其衍生出的算法已经广泛应用于人们的日常工作与生活当中,现实世界中的很多问题都可以被描述为组合优化问题。群智能优化算法这些年来被证明在解决组合优化问题方面效果显著,将当下处于研究热点的量子计算概念引入群智能优化算法形成的量子群智能优化算法,为更好地解决组合优化问题提出了一个新的研究方向。在过去的二十多年里,许多量子群智能优化算法被不断开发出来,同时在此基础上进行了大量改进与应用。综述了量子蚁群算法、量子粒子群算法、量子人工鱼群算法、量子人工蜂群算法、量子布谷鸟搜索算法、量子混合蛙跳算法、量子萤火虫算法、量子蝙蝠算法等量子群智能优化算法,并对量子群智能优化算法面临的问题以及未来研究方向进行了深入探讨。     

具有双重认知能力的人工蜂群算法及性能分析

针对人工蜂群算法在解决单峰问题时收敛速度过慢而在优化多峰问题时易陷入局部最优值的问题,依据群体动力学原理,引入"自我认知能力"和"社会认知能力"对蜂群觅食时的蜜源搜索策略进行改进,提出了具有双重认知策略的人工蜂群算法。用经典的标准测试函数进行了实验并与其他改进算法进行了比较,结果表明,改进的搜索策略提高了算法的优化能力,优于其他改进的人工蜂群算法。     

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.     

The continuous artificial bee colony algorithm for binary optimization

Artificial bee colony (ABC) algorithm, one of the swarm intelligence algorithms, has been proposed for continuous optimization, inspired intelligent behaviors of real honey bee colony. For the optimization problems having binary structured solution space, the basic ABC algorithm should be modified because its basic version is proposed for solving continuous optimization problems. In this study, an adapted version of ABC, ABC_bin for short, is proposed for binary optimization. In the proposed model for solving binary optimization problems, despite the fact that artificial agents in the algorithm works on the continuous solution space, the food source position obtained by the artificial agents is converted to binary values, before the objective function specific for the problem is evaluated. The accuracy and performance of the proposed approach have been examined on well-known 15 benchmark instances of uncapacitated facility location problem, and the results obtained by ABC_bin are compared with the results of continuous particle swarm optimization (CPSO), binary particle swarm optimization (BPSO), improved binary particle swarm optimization (IBPSO), binary artificial bee colony algorithm (binABC) and discrete artificial bee colony algorithm (DisABC). The performance of ABC_bin is also analyzed under the change of control parameter values. The experimental results and comparisons show that proposed ABC_bin is an alternative and simple binary optimization tool in terms of solution quality and robustness.     

The improvement of glowworm swarm optimization for continuous optimization problems

Glowworm swarm optimization (GSO) algorithm is the one of the newest nature inspired heuristics for optimization problems. In order to enhances accuracy and convergence rate of the GSO, two strategies about the movement phase of GSO are proposed. One is the greedy acceptance criteria for the glowworms update their position one-dimension by one-dimension. The other is the new movement formulas which are inspired by artificial bee colony algorithm (ABC) and particle swarm optimization (PSO). To compare and analyze the performance of our proposed improvement GSO, a number of experiments are carried out on a set of well-known benchmark global optimization problems. The effects of the parameters about the improvement algorithms are discussed by uniform design experiment. Numerical results reveal that the proposed algorithms can find better solutions when compared to classical GSO and other heuristic algorithms and are powerful search algorithms for various global optimization problems.     

解决复杂优化问题的一个有效工具——蜂群优化算法*

蜂群的某些群智能行为在昆虫中是很独特的,因此来源于蜂群智能行为的各种优化算法在解决某些实际问题时是很有效的。较之其他的优化算法,目前国内关于蜂群优化算法的文献相对较少。简要介绍了若干蜂群优化算法的发展概况,并探讨了一些未来可做的工作。