基于行动轨迹的人工蜂群算法

人工蜂群算法中蜜蜂在开采蜜源时,随机选择维度,随意决定开采方向和步伐来搜索新蜜源,没有利用以往的搜索经验,导致其收敛速度过慢.对此提出了基于行动轨迹的人工蜂群算法,记录跟随蜜蜂开采蜜源的行动轨迹,并以此为经验引导下一次开采,以提高人工蜂群算法的开采能力.通过对优化函数寻优测试,实验结果表明该算法不仅加快收敛速度,提高寻优能力,还具有良好的鲁棒性和稳定性.     

趋药性人工蜂群算法训练神经网络研究

本文设计了一种复合人工蜂群算法,将细菌觅食优化算法中的趋药性行为引入到人工蜂群算法中,使得引领蜂和观察蜂进行局部探查时像细菌觅食时那样翻转到有利的方向上进行游动;另一方面,让蜜蜂尝试在所有维度产生扰动并择优选择,这两种策略大大增强了人工蜂群算法的局部探查能力.将此算法应用于训练人工神经网络,实验表明改进后的算法性能比人...     

基于智能搜索和特殊划分的人工蜂群算法

人工蜂群算法是一种具有强大搜索能力的全局搜索算法。传统的人工蜂群算法使用雇佣蜂、观察蜂和侦察蜂进行相互合作,每种蜜蜂有不同的分工,但不同类型的蜜蜂之间并没有差别。提出一种通过智能搜索和特殊划分来提升性能的人工蜂群算法。该算法中,不同的雇佣蜂和观察蜂会使用不同的搜索策略来寻找食物来源。该算法放弃了贪婪选择算法且在每次迭代时更新食物来源的位置。因此,该算法能够利用整个蜂群的经验来引导蜜蜂的搜索,通过一系列基准算法的性能分析证明了该算法的有效性。     

基于反向学习的人工蜂群算法

提出基于反向学习的人工蜂群算法(简称OABC算法).在人工蜂群算法的跟随蜂阶段,种群依概率进行反向学习代替跟随蜂搜索方案.保留标准人工蜂群算法中雇佣蜂和侦察蜂阶段以保证种群的探索能力以及种群的多样性,增设参数控制一般的反向学习过程中对位搜索范围,充分利用种群信息和个体信息优化种群,提高对位点的有效性,从而提高反向学习的成功率.仿真实验结果表明,OABC算法有效提升了算法寻优速度和收敛精度.     

无选择策略的改进蜜蜂群算法

针对人工蜂群算法(ABC)中群体多样性较差的缺点,提出无选择策略的改进的蜜蜂群算法(MABC)。MABC算法改变ABC算法的框架,通过去掉ABC算法中跟随蜂对引领蜂的选择策略,来降低算法的选择压力,提高种群多样性和算法的全局搜索能力。仿真结果表明,该算法能够有效保证群体多样性,提高人工蜂群算法的性能。     

模拟人工蜂群的高维数据特征选择算法研究

针对高维数据集结构复杂且冗余度高的问题,提出一种新型二进制人工蜂群算法进行特征选择。该算法在雇佣蜂蜜源搜索阶段应用差分思想,增加多项式差分变异算子,实现蜜源更新环节的多维性、高效性;在跟随蜂阶段和侦察蜂阶段分别引入交叉算子和最优保存策略,进一步打破局部最优,有效提升了人工蜂群算法的收敛效果;对蜜源的二进制初始化处理,使得算法在特征选择过程中取得了良好表现。在4个Benchmark测试函数上进行实验,结果表明,新算法的寻优精度和收敛速度优于其他4种经典搜索算法。同时,选取7个常用高维数据集进行特征选择,并与7种经典降维算法进行对比,发现新算法的特征约简程度普遍高于88%,并且随着数据集维度的增高,新算法的降维程度和分类精度优于其他7种降维算法。     

基于花香浓度的人工蜂群算法在机器人路径规划中的应用

传统的人工蜂群算法是在一种较理想的环境中进行的,不会考虑风的阻力、长时间飞行找不到蜜源使体力下降等现实因素。本文提出了基于花香浓度的人工蜂群算法——FABC算法,在传统的人工蜂群算法中加入了步长和视野范围两个因素提升求解精度,并在侦查蜂阶段提出了花香浓度机制避免陷入局部最优,提高收敛速度。为了验证FABC算法的有效性,采用4个经典测试函数对FABC算法进行了仿真实验,并将实验结果与传统人工蜂群算法以及其他改进人工蜂群算法进行对比。最后将FABC算法应用到机器人路径规划仿真实验中,实验结果证明FABC算法能够有效地解决机器人路径规划问题。     

数据驱动下基于量子人工蜂群的K均值聚类算法优化

该文将量子人工蜂群(Quantum artificial bee colony, QABC)算法用于K均值(K-means)聚类的类别中心点选择，优化K均值聚类算法，可有效解决因随机设置K均值中心点而导致聚类准确度不高的问题。该文设置K均值聚类类别数，并随机设置若干类别中心，采用人工蜂群(Artificial bee colony, ABC)算法优化类别中心点，根据待聚类样本点构建蜜蜂种群，并对蜂群个体位置采用量子比特表示。以样本点和中心点的距离的倒数作为ABC算法适应度，并将适应度值较高个体定义为蜜源。通过引领蜂在运动范围内的粗粒度遍历和跟随蜂的细粒度探索，不断搜寻适应度较高个体，并且更新蜜源，直至ABC算法稳定后确定较优蜜源位置为聚类中心。采用ABC优化得到的聚类中心进行K均值聚类。试验结果表明，通过合理设置ABC搜索边界，并引入蜂群位置的量子表示，可有效增强ABC对聚类中心的搜索精度。相比于常用聚类算法，QABC+K均值算法的聚类性能更优。     

基于人工蜂群算法的大坝变形支持向量机预测模型

为了解决支持向量机(SVM)参数优化方法在大坝变形预测中易陷入局部最优解的问题,利用人工蜂群(ABC)算法的强全局优化能力、强鲁棒性特点,将人工蜂群(ABC)算法运用到SVM参数优化中.将惩罚因子C和核函数σ作为ABC算法中的蜜源位置进行寻优,并运用到大坝的变形监测中.结果表明,基于人工蜂群算法的大坝变形支持向量机预测模型能够克服局部最优解,提升模型的拟合与预测精度.     

基于单纯形法的人工蜂群算法改进研究

人工蜂群算法中的侦察蜂阶段的搜索操作在一定程度上可以解决算法陷入局部最优的问题,但也和其他启发式优化算法一样,存在着局部搜索能力差,在接近最优解时搜索效率下降,以及求解复杂问题时可能陷入局部最优而使算法停滞等缺陷。为了改善此缺陷,采用NM算法来取代人工蜂群算法侦察蜂阶段的随机产生个体机制,提出了一种基于NM算法的改进人工蜂群算法(NMABC)。希望基于NM算法优异的局部搜寻能力,改善人工蜂群算法局部搜索能力较差之缺陷并提高搜索效率。     

基于改进T-S模糊神经网络的网络流量预测

为提高网络流量的预测精度,在人工蜂群算法和T-S模糊神经网络的基础上,采用一种具有差分进化搜索的蜂群算法训练T-S模糊神经网络,对网络流量进行建模预测。该算法首先利用差分进化算法的变异和交叉算子来替换人工蜂群算法中引领蜂的搜索策略,然后对人工蜂群算法中跟随蜂的搜索策略进行改进,使其在种群最优解附近产生候选食物源,该算法能较好地平衡局部搜索能力和全局搜索能力。将优化后的T-S模糊神经网络用于网络流量预测,并与T-S模糊神经网络、蜂群算法优化T-S进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明该算法在预测领域的可行性和有效性。     

人工蜂群算法及其应用

为促进人工蜂群算法理论和应用的发展, 在分析人工蜂群算法的基本原理基础上, 针对算法的不足, 全面地归纳了国内外学者对算法的改进研究, 对算法的蜜源初始化、更新策略的改进、调整策略的改进、适应度函数的选择以及与其他算法的融合进行综述, 提出了更有效的改进策略。同时从多方面综述了人工蜂群算法的应用, 并对人工蜂群算法的发展方向进行了总结和展望。     

基于图像阈值分割的改进蜂群算法

为快速准确地将图像背景与目标进行有效分割, 提出了一种基于图像阈值分割的量子改进蜂群算法(IABCQ: Improved Artificial Bee Colony Algorithm Based on Quantum)。该算法将量子比特概率幅的正弦分量引入到蜂群算法的编码中, 通过调整相位角更新量子比特概率幅, 使蜂群算法中引领蜂向当前最优蜜源的方向移动, 避免算法搜索的盲目性; 借鉴量子运算中非门操作将个体的正弦和余弦分量互换, 使跟随蜂的蜜源进行互补更新;应用蜂群算法更新个数的限制, 避免了局部优解和不动点引起的个体不更新问题。通过不同类型图像和算法之间的比较表明, 该改进蜂群算法应用到图像阈值分割中的收敛时间减少了20%左右, 同时也表现出良好的稳定性和抗噪声能力。
     

基于改进人工蜂群算法的多机飞行冲突解脱策略

针对同一空域内多无人机飞行冲突解脱问题,提出了一种基于改进人工蜂群算法的冲突解脱策略。在传统蜂群算法的基础上改进了跟随蜂对雇佣峰的选择概率及跟随蜂的搜索策略,发挥了迭代过程中最优解的引导作用,保持了传统人工蜂群算法全局搜索和跳出局部最优的能力,解决了传统人工蜂群算法局部搜索效率较低的问题,提升了收敛性能,增加了得到最优解的概率。利用该算法通过航向调整和速度调整2种策略实现了多机的冲突解脱。对比仿真结果验证:该方法在收敛速度、运行速度和最优解的适应度等方面都较遗传算法有很大提升。     

基于自适应动态重组和极值扰动的人工蜂群算法

针对人工蜂群算法存在寻优能力弱和收敛速度慢的问题, 提出一种基于自适应动态重组和极值扰动的人工蜂群算法. 首先通过引入混沌优化算子产生初始解, 根据雇佣蜂的贡献度对其进行自适应动态重组, 然后引入极值扰动算子对雇佣蜂个体极值和全局最优值实施随机扰动. 实验结果表明, 该算法增加了种群的多样性, 加快了算法收敛速度, 提高了种群的可进化能力.      

求解TSP的离散人工蜂群算法

针对旅行商问题,提出了一种新型的离散人工蜂群算法.根据该优化问题及离散量的特点,对引领蜂、跟随蜂和侦查蜂角色转变机制和搜索策略进行了重新定义.蜂群角色转变基于定义的收益比因子.引领蜂邻域搜索采用2-Opt算子和学习操作来加速算法收敛速度;跟随蜂搜索引入禁忌表来提高算法的局部求精能力;侦查蜂搜索定义了排斥操作来保持种群的多样性,从而较好地平衡了算法的探索及开采能力.实验结果表明,算法能够在较短时间内找到相对满意解,提高了TSP的求解效率.     

一种改进的人工蜂群算法——粒子蜂群算法

针对经典人工蜂群算法收敛速率较慢,后期易陷入局部最优解的不足,本文将粒子群算法中"全局最优"的思想引入到人工蜂群算法的改进过程,从而形成了一种新的人工蜂群改进算法——粒子蜂群算法.首先,提出了趋优度的概念,用来衡量引领蜂在有限次迭代过程中向全局最优解靠近或远离的程度,趋优度值可以评价个体的"发展潜力",趋优度值越低的个体,越需要增大变异的程度,以便找到质量更优的解.其次,专门设计了一种新的蜜蜂群体——粒子蜂,在引领蜂变异阶段根据趋优度的大小将引领蜂变异为侦查蜂和粒子蜂,粒子蜂的出现在很大程度上增加了种群的多样性,拓展了算法的搜索范围.然后,通过粒子蜂群算法种群序列是一个有限齐次马尔科夫链和种群进化单调性的分析,验证了本文所提算法的种群序列依概率1收敛于全局最优解集.最后,将本文所提算法应用于多个常见测试函数,并与经典蜂群算法、近年其他文献改进蜂群算法进行了仿真对比研究,仿真结果表明本文所提算法确实加大了种群的分散度、扩宽了搜索范围,从而具有更快的收敛速度和更高的寻优精度     

一种改进的人工蜂群算法

人工蜂群算法是一种模拟蜜蜂群智能搜索行为的随机优化算法,已被成功用于解决许多优化问题。该文针对基本人工蜂群算法在收敛速度和局部寻优方面存在的缺点,提出了一种具有平衡能力的改进算法。此算法在观察蜂阶段引入惯性权重,使用随着迭代次数动态变化的惯性权重因子来平衡种群的局部搜索和全局探测能力,防止算法陷入局部最优和加快寻优速度;在侦察蜂阶段(scout bees),则利用正弦函数搜索操作,正弦函数服从均匀分布,能很好地搜索全部范围,以提高种群多样性。通过对5个基准测试函数进行仿真实验,并与原算法进行比较,结果表明,改进的算法在收敛速度和搜索精度上基本优于人工蜂群算法。     

改进的人工蜂群算法求解全局优化问题

目的 提出基于环形拓扑邻域的人工蜂群算法(Artificial Bee Colony Algorithm Based on Ring Topology Neighborhood ,NABC )求解全局优化问题.方法 基于环形拓扑邻域策略,分别提出适用于雇佣蜂和观察蜂阶段的搜索方程.前者利用邻域中最好个体信息,引导种群向精英解靠近,进而加快种群的收敛速度.后者利用种群中随机选择的个体信息,引导种群搜索更多有希望的区域,增加了种群的探索能力.结果与结论 在22个标准测试函数上进行仿真实验并与其他算法进行比较,结果表明N ABC算法具有优异的性能.     

改进蜂群算法的 WSN 节点分布优化研究

为合理部署无线传感器网络节点, 减少目标区域的覆盖盲区, 提出了基于择优型全局人工蜂群算法的优 化方案。 改进算法引入择优机制对各蜜源进行区分, 借鉴差分进化变异策略对优等蜜源进行邻域搜索, 采用全 局引导机制对劣等蜜源进行寻优, 提高迭代效率、 收敛速度以及全局搜索能力。 将此算法应用于 WSN (Wireless Sensor Network)节点分布优化问题, 并与人工蜂群算法、 全局人工蜂群算法的优化结果进行比较。 仿真结果表明, 与这两种算法相比, 平均覆盖率提高 1% 以上, 最差覆盖率提高 2% 以上。 该算法的节点优化 方案对目标区域的覆盖性能明显优于其他两种算法, 有效提高了 WSN 的感知性能。