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。     

增强寻优能力的自适应人工蜂群算法*

针对人工蜂群算法在求解函数优化问题中存在收敛精度不高、收敛速度较慢的问题,提出了一种改进的增强寻优能力的自适应人工蜂群算法。该算法利用逻辑自映射函数产生混沌序列对雇佣蜂搜索行为进行混沌优化,并引入萤火虫算法中的自适应步长策略动态调整观察蜂的搜索行为,从而提升了算法的局部搜索能力。基于标准测试函数的仿真结果表明,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。     

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。     

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。     

具有混沌差分进化搜索的人工蜂群算法

针对人工蜂群算法的不足,结合差分进化算法中的变异思想,提出一种改进的人工蜂群算法。其基本思想是在标准人工蜂群算法中观察蜂更新蜜源的阶段,使用差分进化算子对蜜源进行更新,在差分变异算子中引入混沌序列,以提高观察蜂在此阶段的局部搜索能力,最终获得最优蜜源。仿真结果表明,引入混沌差分进化搜索的蜂群算法无论在解的求解精度上还是算法的收敛速度上均优于标准人工蜂群算法,适合于复杂函数的全局优化问题。     

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。     

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.     

具有自适应趋向性和引导因子的人工蜂群算法

针对人工蜂群算法中存在的收敛速度慢、寻优精度低的问题,提出了一种改进的人工蜂群算法。该算法将自适应趋向性加入雇佣蜂的搜索方案中,同时在观察蜂的搜索方案中加入引导因子。通过雇佣蜂对优秀蜜源的动态趋向搜索以及观察蜂在引导因子引领下的协同搜索,显著提高了算法的局部搜索能力。基于八个标准测试函数的仿真结果表明,与基本人工蜂群算法相比,改进后的算法在寻优精度和收敛速度方面均有明显提升。     

混合排名映射概率和混沌搜索的ABC算法

针对由于人工蜂群算法(Artificial Bee Colony algorithm,ABC)采用直接映射概率选择食物源而引起收敛速度慢、陷入局部最优等问题,提出一种混合排名映射概率和混沌搜索的人工蜂群算法((Artificial Bee Colony algorithm based on Hybrid rank mapping probability and Chaotic search,ABC-HC))。首先,利用目标函数值的排名来获取选择食物源的排名映射概率,并提出计算排名映射概率的两种方法;然后,在观察蜂阶段,融合这两种计算概率的方法,即不同的搜索阶段采用不同的排名映射方法计算食物源选择概率,构造基于混合排名映射概率的人工蜂群算法,以便能够维持种群的多样性避免陷于局部最优;最后,在侦查蜂阶段,使用混沌搜索替代随机搜索以便进一步提高收敛速度,最终获得较好的全局最优解。对10个标准测试函数进行仿真,结果表明,ABC-HC算法不仅提高了收敛速度,而且更能跳出局部最优,有效地找到全局最优解,优于标准的ABC算法和进化算法。     

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。     

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.     

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.     

融合混沌反学习与蜂群搜索算子的引力搜索算法

引力搜索算法是最近提出的一种较有竞争力的群智能优化技术,然而,标准引力算法存在的收敛速度慢、容易在进化过程中陷入停滞状态.针对上述问题,提出一种改进的引力搜索算法.该算法采用混沌反学习策略初始化种群,以便获得遍历整个解空间的初始种群,进而提高算法的收敛速度和解的精度.此外,该算法利用人工蜂群搜索策略很强的探索能力,对种群进行引导以帮助算法快速跳出局部最优点.通过对13个非线性基准函数进行仿真实验,验证了改进的引力搜索算法的有效性和优越性.     

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。     

基于阈值搜索的多目标人工蜂群算法

为了平衡人工蜂群算法局部开发能力和全局搜索能力,提高算法收敛速度,提出一种基于阈值搜索的人工蜂群算法.首先,提出一种混沌镜像初始化方法,保证初始种群的多样性和优异性;然后,利用个体阈值动态调整搜索半径,提高搜索精度和收敛速度,考虑外部档案解的开发次数,合理选择精英解来引导进化.在11种测试函数上与其他几种算法对比的仿真结果表明,所提出算法具有较好的分布性和收敛性.     

An efficient and robust artificial bee colony algorithm for numerical optimization

Artificial bee colony (ABC) algorithm has already shown more effective than other population-based algorithms. However, ABC is good at exploration but poor at exploitation, which results in an issue on convergence performance in some cases. To improve the convergence performance of ABC, an efficient and robust artificial bee colony (ERABC) algorithm is proposed. In ERABC, a combinatorial solution search equation is introduced to accelerate the search process. And in order to avoid being trapped in local minima, chaotic search technique is employed on scout bee phase. Meanwhile, to reach a kind of sustainable evolutionary ability, reverse selection based on roulette wheel is applied to keep the population diversity. In addition, to enhance the global convergence, chaotic initialization is used to produce initial population. Finally, experimental results tested on 23 benchmark functions show that ERABC has a very good performance when compared with two ABC-based algorithms.