基于自适应选择策略的人工蜂群算法

由于适应度比例选择法在进化过程中使得蜜源的多样性受限和早熟收敛.因此,按照蜜源当前的性状提出了一种基于自适应选择策略的蜂群算法(SABC)来动态地调节选择压力,使算法的全局搜索和局部搜索能力达到平衡.从测试函数的仿真结果表明:改进的人工蜂群算法很大地提高了蜂群算法的寻优能力,在收敛速度和精度上优于基本蜂群算法.     

约束多目标人工蜂群算法

为提高约束多目标进化算法的收敛性和解集分布性,提出一种基于人工蜂群算法的改进约束多目标进化算法CMABC。在利用外部种群分别存储较优可行解和不可行解处理约束条件的基础上,根据约束多目标问题的特点,对外部种群的更新方式、迭代种群的更新方式及人工蜂群算法进行改进。实验仿真结果表明,CMABC相对于目前性能较好的MOABC及HPSO具有一定优势,能够在保证良好收敛性的同时,使获得的Pareto最优解集具有更均匀的分布性和更广的覆盖范围,适合于约束多目标优化问题的求解。     

一种改进的人工蜂群算法

从经典人工蜂群算法机制出发,针对原始算法在初始种群构造、子种群分组、步长更新和种群淘汰方面的不足进行了改进.新算法运用均匀设计理论构造初始种群,提出了一种种群交叉的Z型分组方法,设计了一种对数函数自适应步长代替原来的随机步长,引入了小生境技术及时淘汰陷入局部最优的个体.实验结果表明,改进后的算法有效地解决了人工蜂群算法早熟收敛、搜索速度较慢等问题,并提高了解的精度.     

集成学习人工蜂群算法

为了抑制人工蜂群算法中的早熟收敛问题,提出一种集成学习框架,挖掘种群中的有用信息来抑制早熟。当个体产生候选解的时候,通过对所有好于当前解的个体线性组合,产生一个集成最优解;然后利用相应的人工蜂群算法的搜索公式产生候选解,该公式中的全局最优解被集成最优解代替。该框架通过产生更有希望的个体带领算法进化,帮助算法逃离局部最优解。实验表明,新的集成学习框架显著地提高了全局最优解引导的人工蜂群算法的性能,而没有增加算法的计算复杂度,且该框架可提高全局最优解引导的差分、粒子群算法的性能。     

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...     

基于二进制人工蜂群算法的认知无线电决策引擎

为实现认知无线电系统参数的自适应调整功能,提出了一种基于二进制人工蜂群算法的认知无线电决策引擎。将认知无线电决策问题转化为多目标函数优化问题,并采用加权和方法将复杂的多目标函数优化问题归一化为简单的单目标函数优化问题。采用二进制人工蜂群算法对此优化问题进行求解,实现对无线电系统参数的优化调整。最后,通过一种多载波系统对算法性能进行仿真分析,仿真结果验证了该算法的有效性和实用性。     

基于改进人工蜂群优化算法的PID参数整定

针对传统的PID控制器参数整定方法中存在的整体效率低、控制效果差等问题,提出了一种改进的人工蜂群算法,在标准算法的搜索方程中引入差分进化算法的变异算子,并添加自适应调整参数,提升算法的收敛速度、增强局部寻优效果的同时,平衡了算法的全局探索和局部开发能力。实验表明,改进后的算法对PID控制器的参数整定优化有明显效果。     

基于人工蜂群算法的边坡地震可靠度分析

通过输入埃而森特罗波(EL Centro)地震波对边坡进行有限元瞬态分析,得到边坡在各个时刻的应力值.然后利用Mohr-Coulomb破坏准则,得到对应某一起始点的滑动面.并用瑞典条分法计算边坡安全系数的公式,使其作为目标函数,经过人工蜂群算法进行优化得到起始点,从而确定了滑动面并计算出边坡安全系数.最后,对各个时刻的边坡安全系数进行统计分析,得到边坡失效概率.     

基于人工蜂群算法的波达方向和多普勒频率联合估计

将人工蜂群算法应用于似然函数的优化,实现了阵列信号波达方向(DOA)和多普勒频率的联合估计。利用状态空间模型构造包含DOA和多普勒频率信息的广义可观测矩阵,并构造包含该广义可观测矩阵的似然函数,将参数估计问题转化为多维非线性函数优化问题。进而利用人工蜂群算法对似然函数的求解过程进行优化,得到DOA和多普勒频率的估计值。算法保留了最大似然估计的渐近无偏估计性能,降低了似然函数求解的计算量,且参数能够自动配对。     

基于高斯扰动的布谷鸟搜索算法

在布谷鸟搜索算法（CS）的基础上,提出了一种在迭代过程中对鸟窝位置加入高斯扰动的方法,即基于高斯扰动的布谷鸟搜索算法（GCS）.它增加了鸟窝位置变化的活力,从而有效地提高了算法的收敛速度.仿真实验结果表明,该算法优于原始布谷鸟搜索算法.     

一种改进的粒子群与人工蜂群融合算法

针对标准的粒子群算法和人工蜂群算法收敛性能差、在复杂优化问题易陷入局部最优的缺点,提出了一种改进的融合算法.改进融合算法拥有双种群并行进化,其中粒子群采用改进的反向学习策略,以增加群体的多样性;蜂群中跟随蜂根据个体停滞次数,自适应地改变进化策略,以平衡全局探索与局部开发能力.同时算法将交替共享两个种群的全局最优位置,通过相互引导使融合算法具有更好的寻优能力.8个经典函数和CEC2013的8个复合函数的实验结果表明,与最新的一些改进粒子群和人工蜂群算法相比,该算法的收敛速度和收敛精度均有较显著的优势.     

一种求解分类问题的自适应人工蜂群算法

考虑到分类算法学习到的分类器的可理解性,提出一种求解分类问题的自适应人工蜂群算法——A_ABC,该算法生成一组可理解的分类规则。在基于规则的分类方法中,采用合适的规则评价函数能够提高分类算法的性能,A_ABC算法能够针对不同数据集自适应选取相适应的规则评价函数,同时能够有效处理连续类型的属性和离散类型的属性。最后,在多个公用的真实数据集上,将A_ABC算法与相关算法进行了比较,结果表明A_ABC算法能够更加有效地解决分类问题。     

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.     

基于蜂群算法的精密运动控制方法

针对在精密运动控制系统中,传统PID控制器的控制精度不够,控制参数不能随着负载、环境的变化而变化这一问题,将蜂群算法与传统PID控制相结合,提出了蜂群PID控制方法,并应用在微位移控制系统中,通过精密运动控制阶跃响应性能分析,仿真出调节时间、稳态误差、目标函数、适应度函数等参数的变化曲线.结果表明,蜂群PID控制算法可使精密运动控制系统拥有更快的响应速度、更高的定位精度,并且其参数可实现自动寻优,验证了蜂群PID控制算法在精密运动领域的可行性.     

基于改进人工蜂群算法的高光谱图像端元提取方法

针对高光谱图像中端元提取的问题,提出了一种基于改进人工蜂群算法的提取方法。首先,为平衡人工蜂群算法全局和局部搜索能力,研究了加权构造蜂引导的搜索策略,构造了改进人工蜂群算法。在8个基准测试函数中进行实验,验证了新算法的性能有明显提升。然后,介绍了基于IABC端元提取的核心思想与主要步骤,与ABC和常规提取算法在模拟和真实高光谱遥感数据中进行实验对比,结果表明了新算法具有更好的适用性。     

应用改进布谷鸟算法优化多阈值图像分割

针对传统多阈值图像分割方法在寻找最优阈值过程中存在计算量大、计算时间长的问题,提出了一种基于改进布谷鸟算法的多闽值图像分割方法.首先,将教与学搜索策略引入布谷鸟算法,提高了算法的局部搜索能力;其次,选择当前种群中适应度值较优的精英解构建精英库并随机选择精英解指导搜索方向,强化优势经验的学习;最后,引入模拟退火机制选择鸟...     

基于人工蜂群和SVM的基因表达数据分类

基因表达数据存在高维、小样本、高噪声等特性,使得相应的肿瘤分类诊断面临着一定的挑战。为了实现更加精确的分类准确率,利用人工蜂群(artificial bee colony, ABC)算法对支持向量机(support vector machine, SVM)的核函数参数和惩罚因子进行优化,采用准确率作为分类模型的适应度函数,提出一种基于ABC和SVM的基因表达数据分类方法ABC-SVM。在6种公开的肿瘤基因表达数据集上进行试验,并对比分析其他的分类方法。结果表明,在筛选得到的较少信息基因基础上,ABC-SVM可获得更高的肿瘤分类准确率,对肿瘤样本类型进行更有效的分类预测。