基于局部最优解的改进人工蜂群算法

针对人工蜂群算法有时收敛速度较慢和探索能力较强而开发能力不足等问题,提出一种改进的人工蜂群（IABC）算法。该算法在跟随蜂阶段采用一种基于当前局部最优解（pbest）的搜索策略,能提高算法的局部搜索能力。为了加快算法的收敛速度,采用基于一般的反向学习的策略进行种群初始化,而且采蜜蜂和跟随蜂进行邻域搜索时,邻域搜索的维数根据循环代数动态调整。基于十个标准测试函数的仿真结果表明,该算法能有效加快收敛速度,局部优化能力有显著提高。     

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。     

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.     

基于分治策略的改进人工蜂群算法

人工蜂群(ABC)算法存在着收敛速度不够快、易陷入局部最优的缺陷。针对这一问题,提出一种改进的人工蜂群(DCABC)算法。应用反学习的初始化方法产生初始解,引入分治策略对蜜源进行优化,在采蜜蜂发布更新的蜜源信息后,跟随蜂选择最优蜜源,并采用分治策略进行迭代优化。通过对经典测试函数的反复实验及与其他算法的比较,表明了所提出的算法具有良好的加速收敛效果,提高了全局搜索能力与效率。     

人工蜂群算法的改进

为改善人工蜂群算法(ABC)的深度搜索能力,提出一种改进的人工蜂群算法(SABC)。借鉴混合蛙跳算法(SFLA)的进化机制,将蜂群划分为多个模因组,使每个新个体与自身所在模因组的最坏个体进行优劣比较,能够更加容易保存群体中的"新生"个体,改善群体的整体质量,增加算法的深度搜索能力。通过7个测试函数进行实验,统计结果表明了SABC算法在求解函数优化问题时具有较好的算法性能。     

Tent 混沌人工蜂群与粒子群混合算法

针对人工蜂群和粒子群算法的优势与缺陷,提出一种Tent混沌人工蜂群粒子群混合算法.首先利用Tent混沌反向学习策略初始化种群;然后划分双子群,利用Tent混沌人工蜂群算法和粒子群算法协同进化;最后应用重组算子选择最优个体作为跟随蜂的邻域蜜源和粒子群的全局极值.仿真结果表明,该算法不仅能有效避免早熟收敛,而且能有效跳出局部极值,与其他最新人工蜂群和粒子群算法相比具有较强的全局搜索能力和局部搜索能力.     

基于排序选择和精英引导的改进人工蜂群算法

针对人工蜂群算法收敛速度较慢、收敛精度不高的问题,提出一种基于排序选择和精英引导的改进人工蜂群算法.分析观察蜂概率选择方法在适应值变化时对于精英个体优选的不足,提出一种排序选择方法,用以替代概率选择方法,从而提高算法的收敛速度.利用精英个体对搜索的引导作用,分别提出针对采蜜蜂和观察蜂的改进邻域搜索方程,从而提高算法的搜索效率.与其他人工蜂群算法的对比结果表明,所提出的改进方法能够有效提升算法的收敛速度和收敛精度.     

基于信息熵的改进人工蜂群算法

为了克服人工蜂群算法在处理复杂性问题时收敛速度慢、收敛精度不高、易早熟等缺陷,在原始人工蜂群算法的基础上引入信息熵。信息熵本身是不确定性的一种度量,由信息熵的值来度量人工蜂群算法中跟随蜂选择的不确定性,通过控制信息熵的值达到控制算法中跟随蜂选择过程的目的,实现算法的自适应调节。通过对测试函数和不同规模TSP问题的模拟仿真,对人工蜂群算法、蚁群算法和其他改进方法进行了对比,验证了所提出改进方法的可行性和有效性。     

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.     

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。     

基于搜索能力均衡的人工蜂群算法

鉴于标准人工蜂群算法（ABC）局部开发能力不足,提出一种改进搜索策略的人工蜂群算法（IABC）。为提高ABC的局部开发能力,在其雇佣蜂阶段引入了一个新的具有最好个体引导的解搜索方程,为均衡ABC的搜索能力,在ABC跟随蜂阶段的搜索策略中引入了新的随机因素以增强ABC的全局探索能力,为了进一步平衡全局探索和局部开发能力,改进了ABC的侦察蜂搜索机制。为验证IABC的收敛效果,通过在12个复杂基准测试函数上的仿真实验并与其他算法相比较,发现IABC的收敛性能有显著提高。     

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。     

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。     

基于模糊C均值的改进人工蜂群聚类算法*

传统的模糊C-均值聚类算法存在对初始聚类中心选择与噪声数据敏感,容易使目标函数陷入局部最优的问题以及标准人工蜂群算法局部搜索能力及开发能力不强的缺点,针对这个问题,引进差分进化的思想改进人工蜂群算法并对跟随蜂的搜索行为进行更准确的描述,结合模糊C-均值聚类算法具有收敛速度快、易于实现且局部搜索能力较强的优点,提出一种基于模糊C-均值的改进人工蜂群聚类算法以提高聚类的性能。实验结果表明：该算法相对于传统FCM聚类算法,准确率和抗噪性有所提高,聚类的效果更好。     

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。     

Improved artificial bee colony algorithm for global optimization

The artificial bee colony algorithm is a relatively new optimization technique. This paper presents an improved artificial bee colony (IABC) algorithm for global optimization. Inspired by differential evolution (DE) and introducing a parameter M, we propose two improved solution search equations, namely “ABC/best/1” and “ABC/rand/1”. Then, in order to take advantage of them and avoid the shortages of them, we use a selective probability p to control the frequency of introducing “ABC/rand/1” and “ABC/best/1” and get a new search mechanism. In addition, to enhance the global convergence speed, when producing the initial population, both the chaotic systems and the opposition-based learning method are employed. Experiments are conducted on a suite of unimodal/multimodal benchmark functions. The results demonstrate the good performance of the IABC algorithm in solving complex numerical optimization problems when compared with thirteen recent algorithms.     

一种结合人工蜂群和K-均值的混合聚类算法

传统的K-均值聚类算法虽然收敛速度快,但由于过度依赖初始聚类中心,算法的鲁棒性较差。为此,提出了一种改进人工蜂群算法与K-均值相结合的混合聚类方法,将改进人工蜂群算法能调节全局寻优能力与局部寻优能力的优点与K-均值算法收敛速度快的优点相结合,来提高算法的鲁棒性。实验表明,该算法不仅克服了传统K-均值聚类算法稳定性差的缺点,而且聚类效果也有了明显改善。