基于单纯形的改进精英人工蜂群算法

针对人工蜂群算法收敛速度慢,求解精度不高,易陷入局部最优等问题,基于受粒子群启发的多精英人工蜂群优化算法,引入了蜂群中的精英个体和全局最优个体来增强开发全局最优解的能力.文章中,在雇佣蜂阶段借助精英个体引导蜜源搜索,并利用蜂群中蜜源的质量排序重新构造蜜源的选择概率公式;在跟随蜂阶段,选择种群最优蜜源引领蜂群,加强算法对全局最好解的局部开采能力,同时将随机选择邻居蜜源变为最优定向选择.最后利用单纯形算法对精英解集进行再次更新,进一步平衡蜂群的全局搜索和局部寻优能力.数值实验表明改进的新算法的寻优精度和收敛速度均有明显提高.     

基于全局最优解和随机采样的改进人工蜂群算法

为进一步提高人工蜂群算法的收敛速度、开采能力,提出了基于全局最优解和随机采样的改进人工蜂群算法.算法在跟随蜂阶段采用全局最优引导与完全随机采样相结合的高斯搜索策略,以加快算法的收敛速度,平衡探索和开采能力,避免陷入局部最优.在侦察蜂阶段引入包含被遗弃蜜源信息的高斯方程产生新蜜源,加快搜索速度.在12个基准测试函数上进行了比较实验,实验结果表明该改进的算法求解简单函数时,收敛速度更快,求解较复杂的函数时,解的精度和稳定性得到一定的提高.     

基于最速下降法改进的人工蜂群算法

针对基本人工蜂群算法求解优化问题时存在收敛精度低、搜索盲目性大的缺点,提出一种基于最速下降法改进的人工蜂群算法.算法利用最速下降法简单、计算量小的特点,对基本人工蜂群算法中经过limit次更新后没有得到改善的蜜源进行更新,它结合了基本人工蜂群算法较强的全局搜索能力和最速下降法快速精确的局部搜索能力,能够有效避免基本人工蜂群算法中的某些盲目的无意义迭代.经过9个标准测试问题的仿真试验表明,所得的人工蜂群算法具有比基本人工蜂群算法更快的收敛速度和更高的求解精度.     

改进人工蜂群算法

针对人工蜂群算法存在的收敛速度慢、易陷入局部最优的缺点,利用自由搜索算法中的信息素、灵敏度模型代替传统的轮盘赌选择模型,并引入OBL策略产生新蜜源取代每次迭代的最差蜜源,提出了一种改进的人工蜂群算法,并结合NIT技术建立一种新的多峰优化方法.对9个标准测试函数仿真表明本文提出的改进算法不仅大大提高了最优解的精度而且缩短了运行时间,改进性能明显优于现有人工蜂群算法.实例测试表明该方法能够有效、精确地搜索各个峰值点.     

基于动态概率引导的人工蜂群聚类算法

针对传统人工蜂群算法中搜索策略开发能力不足、单一的搜索策略难以适用于算法运行的各个阶段等问题,提出了一种搜索策略动态调整的人工蜂群算法,该算法搜索策略由基于反馈的动态概率引导以平衡算法的探索能力和开发能力;为增强蜜源结构相似性的联系与优秀蜜源的影响,引入局部最优蜜源引导下一代的产生。在此基础上,针对K-means算法初始聚类中心敏感、全局搜索能力不足等问题提出了基于改进蜂群算法的K-means算法,在多个标准测试函数和UCI数据集上测试验证所提出算法的性能。     

一种改进的混沌局部搜索的人工蜂群算法

人工蜂群算法具有鲁棒性强、收敛速度快且全局寻优性能优异等优点,但其局部搜索能力不足.为了克服此缺陷,提出了一种改进的混沌局部搜索的人工蜂群算法.新算法在每一代的所有个体的平均值附近利用混沌函数进行局部搜索,然后在搜索到的解和原食物源之间采用贪婪选择的原则确定下一代种群.基于6个标准测试函数的仿真结果表明,本算法能有效地加快收敛速度,提高最优解的精度,其性能优于已有的人工蜂群算法.     

基于狭义中心和随机维度学习的人工蜂群算法

针对人工蜂群算法收敛速度慢、寻优精度低的缺点,提出基于狭义中心和随机维度学习的人工蜂群算法。首先,在算法中定义狭义中心蜜蜂,并与当前种群最优解进行贪婪选择为种群最优解;其次,用最优解引导算法进行搜索,以增强算法局部搜索能力;再次,在每次迭代时,蜜蜂随机选择若干维度数进行学习,以加速算法收敛。8个经典基准函数的测试结果表明,新算法在收敛速度和解的精度上优于类似改进算法。     

基于蜂群单阈值分割的SRC板材缺陷分类方法

针对传统单阈值板材缺陷分割算法易陷入局部最优、早熟以及收敛速度慢等缺点,提出了一种基于改进蜂群算法的单阈值分割算法.为了提高缺陷分类准确率并减少运算量,将稀疏表达分类器(SRC)运用到板材缺陷分类过程中.改进算法每次迭代都会同时进行全局和局部搜索,且侦查蜂随机全局选取蜜源以加快收敛速度,搜索半径可以根据时变搜索参数进行自适应调整,SRC可将缺陷分类问题转换为求最稀疏系数解的过程.结果表明,本文算法可以准确快速地计算出最佳分割阈值,并将分类准确率提高到90%以上,具有一定的可靠性与可行性.     

基于混沌人工蜂群算法的色彩量化方法

针对人工蜂群算法易陷入局部最优值、进化后期收敛速度慢等问题,为提高蜂群的多样性和搜索的遍历性,该文在人工蜂群算法中引入混沌思想,提出了一种混沌人工蜂群算法,并将其应用到色彩图像量化当中.仿真结果表明混沌人工蜂群算法改善了人工蜂群算法摆脱局部最优值的能力,提高了算法的收敛速度和精度,同时量化后的图像也具有更高的信息熵,保...     

一种应用于函数优化问题的多种群人工蜂群算法

针对传统人工蜂群算法(ABC)收敛速度慢、易陷入局部最优解等不足,提出一种基于种群分割的多种群人工蜂群算法(MABC)应用于函数优化问题.该算法利用K均值聚类算法对蜂群进行种群分割,在子种群中引入基于全局通信的蜜源位置更新方式加速算法收敛,同时引入基于局部通信的适应度函数扩展解方案的多样性.通过对6个基准测试函数的实验表明,MABC算法适应度高、收敛速度快,克服了ABC算法易陷入局部最优解等不足,在函数优化问题中表现出了更好的性能.     

基于人工蜂群算法高光谱图像波段选择

为减少高光谱遥感图像光谱空间冗余、降低计算复杂度,提出一种基于人工蜂群算法的高光谱图像波段选择方法.首先,根据波段相关性矩阵对全波段进行预处理,获得相关性较小的波段子空间;然后,利用人工蜂群算法以最佳指数与JM距离的加权和为适应度函数在各子空间进行邻域搜索,不断更新至收敛为止,从而获得最优波段组合.最后,利用AVIRIS数据和ROSIS数据对提出的算法与基于蚁群,粒子群,拟态物理学算法的波段选择方法进行实验.仿真结果表明:基于人工蜂群算法的波段选择能够在保证良好收敛性的同时,大大降低计算花费,所获得的波段组合用于高光谱图像分类时,可以得到较好的分类精度.     

An effective discrete artificial bee colony algorithm for flow shop scheduling problem with intermediate buffers

An effective discrete artificial bee colony(DABC) algorithm is proposed for the flow shop scheduling problem with intermediate buffers(IBFSP) in order to minimize the maximum completion time(i.e makespan). The effective combination of the insertion and swap operator is applied to producing neighborhood individual at the employed bee phase. The tournament selection is adopted to avoid falling into local optima, while, the optimized insert operator embeds in onlooker bee phase for further searching the neighborhood solution to enhance the local search ability of algorithm. The tournament selection with size 2 is again applied and a better selected solution will be performed destruction and construction of iterated greedy(IG) algorithm, and then the result replaces the worse one. Simulation results show that our algorithm has a better performance compared with the HDDE and CHS which were proposed recently. It provides the better known solutions for the makespan criterion to flow shop scheduling problem with limited buffers for the Car benchmark by Carlier and Rec benchmark by Reeves. The convergence curves show that the algorithm not only has faster convergence speed but also has better convergence value.     

基于自适应进化策略的人工蜂群优化算法

提出一种自适应进化策略的人工蜂群优化算法来提高基本人工蜂群优化算法的性能。算法中每个引领蜂拥有4种进化策略,在迭代过程中通过计算每种进化策略的立即价值、未来价值和综合奖励来决定引领蜂个体的进化行为,并通过多策略进化概率变异方式来提升个体寻优速度或避免陷入局部最优解。典型高维复杂函数测试表明,该算法具有很好的收敛精度和计算速度。     

基于马尔可夫链的人工蜂群算法

分析了人工蜂群算法及部分国内外学者提出的改进算法,针对局部搜索能力差和容易陷入局部最优解的缺点,根据马尔可夫链预测已知解空间的发展趋势,提出了一种基于马尔可夫链的改进人工蜂群算法（MABC）,通过伪代码给出了算法的运行过程,从收敛性能和算法复杂度2个方面分析了人工蜂群算法、一种典型的改进算法和MABC算法的性能.最后以10个典型函数为测试用例,从结果精度、收敛速度、分割参数和运行时间4个方面进行验证,实验结果表明,MABC算法在求解精度和收敛速度上高于ABC算法,但运行时间略长,验证了理论分析的结果.     

Parameters identification of chaotic systems based on artificial bee colony algorithm combined with cuckoo search strategy

Artificial bee colony (ABC) algorithm is motivated by the intelligent behavior of honey bees when seeking a high quality food source. It has a relatively simple structure but good global optimization ability. In order to balance its global search and local search abilities further, some improvements for the standard ABC algorithm are made in this study. Firstly, the local search mechanism of cuckoo search optimization (CS) is introduced into the onlooker bee phase to enhance its dedicated search; secondly, the scout bee phase is also modified by the chaotic search mechanism. The improved ABC algorithm is used to identify the parameters of chaotic systems, the identified results from the present algorithm are compared with those from other algorithms. Numerical simulations, including Lorenz system and a hyper chaotic system, illustrate the present algorithm is a powerful tool for parameter estimation with high accuracy and low deviations. It is not sensitive to artificial measurement noise even using limited input data.     

基于多目标驱动人工蜂群算法的疏散仿真模型

提出一种基于多目标驱动蜂群算法的疏散仿真模型.在人工蜂群算法的基础上,对跟随蜂设置视野搜索半径,将视野范围内适应值最优个体作为其视觉引领蜂,从而减少跟随蜂选择引领蜂的盲目性.提出多目标驱动人工蜂群算法,即由惯性引领蜂、全局最优蜂、个体历史最优蜂、视觉引领蜂共同对跟随蜂的移动方向进行引导,从而使跟随蜂的移动路径得到进一步...