一种改进的人工蜂群算法研究

针对人工蜂群算法在更新策略中精度与稳定性不高的问题,提出一种改进的人工蜂群算法。该改进的人工蜂群算法通过增加每次更新维度的个数来改善算法的精度,在文中所选择的每次更新维度的个数为可行解维数的1/2;同时,该算法选择当前适应值最优的蜂蜜源在其周围进行邻域搜索,避免了由于随机性而带来的算法精度降低问题。最后,比较改进的人工蜂群算法与经典的粒子群算法,通过多个高维测试函数的仿真实验表明,改进的人工蜂群算法比粒子群算法具有更高的精度和稳定性,展现了更好的性能。     

基于多维更新的改进人工蜂群算法

标准人工蜂群算法采用逐维更新的策略,存在前期收敛快、易于陷入局部最优、后期解失去多样性、收敛慢的缺点。本文在解的搜索过程中,利用多维同时更新来增强解的搜索力度,随机选取多维更新的策略在后期增加解的多样性,提出了多维更新的改进人工蜂群算法,加快算法的收敛速度。用标准测试函数对改进的人工蜂群算法做寻优测试,实验结果表明该算法加快了收敛速度,进一步优化了测试函数的最优值,具有良好的寻优效果。     

受启发的人工蜂群算法在全局优化问题中的应用

 人工蜂群算法是最近提出的一种较有竞争力的优化技术.然而,它的搜索方程存在着探索能力强而开发能力弱的缺点.针对这一问题,受差分进化算法的启发,提出了一个改进的搜索方程.该搜索方程在最优解附近产生新的候选位置以便提高算法的开发能力.进一步,充分利用和平衡不同搜索方程的探索和开发能力,提出了一个改进的人工蜂群算法(简记为IABC).此外,为了提高算法的全局收敛速度,用反学习的初始化方法产生初始解.通过18个标准测试函数的仿真实验并与其他算法相比较,结果表明IABC算法具有良好的处理复杂数值优化问题的性能.     

采用人工蜂群算法求解多维函数极值

文章首先介绍了人工蜂群算法,然后提出了一种采用人工蜂群算法求解多维函数极值的新方法,最后编写出MATLAB程序并选取四个标准测试函数进行实验仿真。通过将实验仿真结果与粒子群算法求解结果和理论最优值进行比较分析,证明了该方法可行,而且具有耗时短,收敛快等优点。     

基于差分变异算子的改进人工蜂群算法

文章针对传统人工蜂群算法收敛速度慢、精度不高的问题,基于差分进化算法中的变异算子,对人工蜂群算法搜索方程进行改进,在种群更新过程中引入当前种群最优个体信息,以提升算法的收敛速度和局部优化能力。     

基于差分变异算子的改进人工蜂群算法

文章针对传统人工蜂群算法收敛速度慢、精度不高的问题,基于差分进化算法中的变异算子,对人工蜂群算法搜索方程进行改进,在种群更新过程中引入当前种群最优个体信息,以提升算法的收敛速度和局部优化能力。     

人工蜂群算法综述

讨论人工蜂群算法（ABC, Artificial Bee Colony Algorithm）的开发和应用。首先回顾从2005年以来的开发过程,然后介绍算法的标准版本以及常用的测试函数,最后讨论该算法的一些非标准的改进、应用以及未来潜在的应用领域。     

改进的人工蜂群算法在复杂函数优化中的应用

为快速准确地优化复杂函数,通过引入自适应竞争机制来改进基本人工蜂群算法,并将其应用到复杂函数优化中,实验结果表明该方法在求解速度和精度上明显优于基于遗传算法和基本人工蜂群算法的函数优化方法。     

并行人工蜂群算法研究

针对人工蜂群算法在处理高维度问题时收敛速度慢的问题,利用OpenMP多线程技术和规约机制,并根据已改进的观察蜂来选择雇佣蜂的方式,提出了基于OpenMP的并行人工蜂群算法（PCABC）。仿真实验分别在问题维度为100和200下进行来评估算法性能,在4个逻辑处理器环境下,基于静态调度的并行人工蜂群算法的加速比最高可以达到3.95,效率可达98.65%。实验结果表明,PCABC并行人工蜂群算法在处理高维度复杂函数时,收敛速度和算法运行时间都有较大的提升。     

基于差分演化二进制人工蜂群算法的多用户检测

最优多用户检测属于NP组合优化问题,人工蜂群算法作为一种简单有效的新兴启发式算法可以有效求解此类问题。针对基本二进制人工蜂群算法收敛速度慢、易陷入局部最优等缺陷,提出了一种基于差分演化的二进制人工蜂群算法,并应用于最优多用户检测中。算法采用多维邻域搜索策略,避免了连续域到离散域的转换,降低了算法复杂度,适合于实时处理。仿真结果表明,所提算法在抗多址干扰能力、抗"远近"效应能力和收敛性能方面均优于基本二进制人工蜂群算法。     

人工蜂群算法的研究综述

人工蜂群算法是一种基于蜜蜂采蜜行为的新兴群体智能算法,通过不同角色蜜蜂间的交流、转换和协作来实现群体智能。基于此,首先阐述了基本ABC算法和二进制ABC算法的原理,然后针对基本ABC算法存在的不足,从四个方面综述了各种改进算法,最后对ABC算法在一些领域中的应用现状和对未来研究方向进行了概括总结。     

一种思维进化蜂群算法

人工蜂群算法（ABC ）是一种模拟蜜蜂群智能搜索行为的随机优化算法,已成功用于解决许多优化问题。为有效改善ABC算法的性能,文章结合思维进化的思想提出了一种思维进化蜂群算法（MEABC ）,该算法通过学习和按维更新策略对ABC算法进行了改进,并对改进算法的收敛性进行了分析。通过四个标准测试函数的仿真实验,验证了MEABC算法能有效避免早熟收敛,全局优化能力和收敛速率都有显著提高。     

人工蜂群聚类在雷达信号分选中的应用

针对传统的 K-Means 聚类雷达信号分选算法对初始聚类中心敏感和易陷入局部最优解的缺点,将改进的人工蜂群算法和 K-Means 迭代相结合,提出了一种混合聚类雷达信号分选算法,使算法对初始聚类中心的依赖性和陷入局部最优解的可能性降低,提高了算法的稳定性。通过仿真实验证明该算法分选准确率高,为雷达信号分选提供了新的思路。     

改进的人工蜂群算法求解任务指派问题

针对指派问题提出了一种改进的人工蜂群算法.该算法充分考虑到指派问题解的离散性特点,给出了食物源位置的离散编码方法,并且采用邻域移动法生成候选食物源,这一方法既保证了解的可行性,又增加了食物源的多样性.实算表明在求解指派问题时,该算法比原人工蜂群算法在求解精度和收敛速度上都有显著地提高,两性能也优于其他粒子群算法.这种改进的离散人工蜂群算法简洁,应用方便,不但是一种有效求解指派问题的新算法,同时也为其他组合优化问题求解提供了一种有益思路.     

基于全局无偏搜索策略的精英人工蜂群算法

针对精英人工蜂群算法（ABC_elite）加速收敛和早熟停滞现象的矛盾,提出一种改进算法（EABC_elite）.该算法通过在雇佣蜂阶段引入全局最优解加速收敛,同时通过普通个体平衡全局最优解过大的引导作用,因此全局最优解与普通个体的信息都能得到利用而算法仍能较好平衡.在观察蜂阶段引入普通个体避免算法早熟收敛.改进算法在加速收敛与防止早熟之间取得很好的平衡,总体上没有偏向任何方向,增强了ABC_elite的全局搜索能力.实验表明,改进算法的性能显著好于ABC_elite以及最近提出的几种较高水平的改进人工蜂群算法.     

基于人工蜂群算法的FIR滤波器设计

FIR滤波器设计是数字信号处理领域中的重要课题之一。最优化FIR滤波器设计可以抽象为一个最优化问题,采用启发式算法来求解。作为一种新型启发式算法,人工蜂群算法由于其原理简单、控制参数少、鲁棒性强等优点,已被越来越多的学者所关注。本文采用人工蜂群算法优化FIR滤波器设计,研究了两者的结合机理,讨论了具体实现步骤,并通过仿真验证了该方法的有效性。     

一种基于人工蜂群的高维非线性优化算法

针对传统优化算法在求解高维非线性优化问题时,存在收敛速率慢和求解精度不高等问题.提出一种改进的人工蜂群优化算法.正交试验设计算法被用于初始化蜂群和侦察蜂探索新蜜源.采蜜蜂利用高斯分布估计优化算法在蜜源附近搜索,跟随蜂采用自适应差分算法进行搜索.最后,通过4个标准的高维Benchmark函数测试表明,本文算法在收敛速度、求解精度和稳定性方面有一定优势.