基于非线性递减选择策略的人工蜂群算法

针对基本人工蜂群算法种群多样性难以保持,进化速度慢等问题,提出了一种基于非线性递减选择策略的人工蜂群算法.算法在雇佣蜂阶段采用非线性递减选择策略以提高种群的多样性,进而改善种群的全局勘探能力;在跟随蜂阶段由全局最优解引导搜寻新解,以提高种群的局部开发能力;侦察蜂采用贴近最优解的策略以提高生成新解的质量,加速种群进化.改进的三个阶段改善了算法的寻优性能,最后通过实验对比与分析,验证了该算法的有效性.     

基于人工蜂群智能技术的属性异常点检测

为了解决数据库属性异常点检测方法时间复杂度大并且查准率和查全率不高的问题,提出了新的基于人工蜂群优化技术(artificial bee colony,ABC)和O-measure度量(一种评估属性异常点的度量)相结合的属性异常点检测方法,模拟人工蜂群随机搜索较优的食物源能力发现属性异常点。针对群体智能算法检测属性异常点会陷入局部收敛的缺陷,提出使用模拟退火技术让人工蜂群跳出局部最优解而找到全局最优解的算法。该算法通过蜂群在二维数据平面上搜索食物源,计算所经过路径上的数据项O-measure适应度,从中寻找最优解(即属性异常点)。实验结果表明,所提算法较之前的算法耗时短,且提高了检测的准确率和查全率。     

基于精英解和随机个体邻域信息的改进人工蜂群算法

针对人工蜂群(ABC)算法开发能力差、收敛速度慢的缺点,分别提出适用于雇佣蜂和观察蜂阶段的搜索方程,其中前者用到精英解、随机选择个体及其邻域的有益信息,后者用到群体最优解的信息.所提出的搜索方程在一定程度上不仅能够加快改进算法的收敛速度,而且由于随机选择个体的引入在一定意义上可以保证算法的探索能力.对22个基准测试函数的仿真实验结果表明,所提出的算法在大多数测试函数上的性能优于对比算法.     

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。     

基于伊藤算法的改进人工蜂群算法

针对人工蜂群算法(ABC)在求解复杂问题时出现的收敛速度慢、易陷入局部最优的缺点,在布朗运动和伊藤随机过程的启示下,借鉴伊藤算法的设计思想,提出了一种基于布朗运动的改进人工蜂群优化算法(BMABC)。在采蜜蜂和观察蜂阶段分别设计了不同的漂移算子和波动算子。漂移算子保证算法向着最优解的位置漂移,波动算子保证了解的多样性。分别使用ABC、GABC和BMABC对5个经典函数进行了测试。实验结果表明,BMABC算法具有收敛速度快、收敛精度高的特点,并具有良好的稳定性。     

基于曲率特征的点云快速简化算法

为了提高实体反求的效率,提出一种点云快速简化算法.该算法依据特征点群曲率变化的特点在点云邻域拟合曲面上搜寻特征点并进行储存,依据搜寻结果对点云进行特征点分布评估,并根据评估结果设定相应的简化距离对点云进行简化.算法充分保留了特征区域点云,使得简化后的点云能够较好地表达形状,整个搜寻过程只针对高斯曲率极值点的附近点,相对于需要在全局上进行曲率计算的传统简化算法,该算法在运行速度上具有明显优势.     

基于模拟退火思想的改进人工蜂群算法

针对人工蜂群算法(ABC)容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点。把模拟退火技术(SA)引入到ABC算法中,提出了一种改进的优化算法。混合优化算法在各温度下依次进行ABC和SA搜索,是一种两层的串行结构。由于ABC提供了并行搜索结构,所以,混合优化算法使SA转化成并行SA算法。SA的概率突跳性保证了种群的多样性,从而防止ABC算法陷入局部极小。基于模拟退火的改进人工蜂群算法保持了ABC算法简单容易实现的特点,改善了算法的全局优化能力,便于收敛的同时也可以防止算法陷入局部最优解。     

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。     

基于改进全局人工蜂群算法的WSN节点定位研究

无线传感器网络(Wireless Sensor Network,WSN)系统性能的提高,离不开对WSN中每一个传感器节点地理位置的精准定位。全局人工蜂群算法在基本人工蜂群算法的基础上,在邻域搜索后将迭代最优解添加到新解的更新公式中,提高了算法的开发能力。但将其应用于WSN节点位置求解时,存在计算时间长、收敛不稳定的问题。提出一种改进的全局人工蜂群算法,在邻域搜索后对新解进行衡量,若新解适应值在可接受的范围内,与迭代最优解进行交叉操作;若新解适应值较好,不与迭代最优解进行交叉操作;若新解适应值较差,舍弃新解。这较好地平衡了算法的探索和开发能力。求解WSN节点位置时,证明了该算法有更快的收敛速度和更好的收敛效果。     

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。     

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.     

基于模拟退火及蜂群算法的优化特征选择算法

为了解决中文文本分类中初始特征空间维数过高带来的“维数灾难”问题,提高分类精度和分类效率,提出了一种基于模拟退火及蜂群算法的优化特征选择算法.该算法中,以蜂群算法流程为主体,根据蜜蜂群体觅食的特点快速寻找最优解,并且针对蜂群算法容易陷入局部最优解的问题,把模拟退火算法机制引入其中.该算法既保留了蜂群算法群体寻优的特点,又可以有效地避免陷入局部最优解.通过选择合适的收益率函数和温度下降函数,用实验的方法与卡方统计、信息增益和互信息等算法进行比较,表明了该算法的可行性和有效性.     

自适应人工蜂群算法的盲源分离

盲源分离(BSS)是传感器信号处理领域研究热点,针对传统盲源分离算法大多存在收敛速度慢、分离精度低、适用场合窄的缺点,提出了一种基于自适应人工蜂群算法的盲源分离.利用Givens旋转变换降低计算量,搜索策略引入自适应全局指导项动态调节最优解导向作用,选择策略采用自适应Boltz-mann轮盘赌作改进平衡迭代各阶段选择压力集中程度.实验表明:基于自适应人工蜂群算法的盲源分离,能够加快收敛速度并显著提高分离精度至约3个数量级.     

基于渗透式人工蜂群与蚁群优化混合的负载平衡算法

针对当前云计算负载平衡调度过程中出现的虚拟机迁移效率低和能耗高问题,提出了一种基于渗透式人工蜂群与蚁群混合优化负载平衡算法,该算法将化学渗透行为与生物启发的负载平衡算法相结合,在充分利用人工蜂群和蚁群两种优化算法优点的同时,将渗透技术应用于负载均衡。由于渗透技术支持通过云基础设施迁移的虚拟机的自动部署,从而克服了现有仿生算法在实现物理机之间负载平衡方面的缺点,提高了迁移效率。实验结果表明,以现有负载平衡算法相比,提出的算法在迁移性能上提升明显。     

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。     

受强弱关系理论启发的改进人工蜂群算法

针对原人工蜂群算法在寻优过程中存在收敛精度不高、容易陷入局部最优的问题,提出一种改进人工蜂群算法(SWT-ABC)。将社会学中强弱关系模型化并引入多子群矩阵式蜂群结构,定义了强关系个体从三个方向随机引导搜索,加快算法收敛速度和提高收敛精度;为增强算法跳出局部最优的能力,定义了弱关系个体交互以实现子群间信息交流来提升种群多样性;增加侦查蜂反向学习机制并确定合适的蜜源上限,能有效提升目标函数评价次数的利用效率。通过基准测试函数的数值实验并与12种改进算法进行对比,改进后的人工蜂群算法收敛精度更高、全局寻优能力更强,并且在高维优化问题求解中仍具备良好的收敛性能。     

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。     

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。