一种快速自适应蜂群算法及其应用

人工蜂群算法(Artificial Bee Colony,ABC)具有操作简单、控制参数少及鲁棒性强等特点,已成为群体智能领域的研究热点之一,但其仍然存在收敛速度慢、易陷入局部最优的问题。针对这些问题,提出了一种改进的人工蜂群算法(Quick Self-Adaptive Artificial Bee Colony,QAABC)。首先,对人工蜂群算法的选择策略和搜索策略进行改进,以提高算法的收敛速度和优化精度;其次,对超边界的个体进行一次有效变异,增强种群的多样性。最后,将本文算法与其他两种算法(标准ABC、ABCP)对5个测试函数在低维和高维进行了对比实验,并将之运用于压力容器设计中成本最小化问题的研究,所得结果均验证了改进算法的有效性。     

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。     

一种改进的多目标人工蜂群算法

由于基本多目标人工蜂群算法存在着种群盲目搜索、算法开发能力有限等缺点,在利用人工蜂群算法求解多目标优化问题时,提出了一种改进的人工蜂群算法.通过在算法中引入自适应搜索机制和变异机制等操作,使得种群个体可以有针对性地进行更新,同时也大大提高了种群个体的多样性.最后利用几种多目标的测试函数对改进前后的多目标人工蜂群算法的性能进行测试,结果表明:改进后多目标人工蜂群算法具有良好的算法收敛性和均匀性.     

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。     

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...     

基于多目标MQABC算法的无人机协同任务分配

针对多无人机协同任务分配问题经过单目标简化后对决策处理存在片面性和主观性等问题,提出了一种利用多目标自适应快速人工蜂群算法对其进行处理的方法.首先,建立多目标无人机协同任务分配模型;其次通过建立外部种群的约束处理技术及重置Harmonic平均距离循环策略对自适应快速人工蜂群算法(ABCSGQ)进行改进.另外通过定义自主决策准则引导多目标任务分配的方案选取.仿真实验结果表明:相比于多目标人工蜂群算法及非支配排序遗传算法,改进算法具有较好的分布性、收敛性及更高效的求解能力.     

改进人工蜂群算法的云任务调度

针对云资源调度中任务分配效率和资源利用率低等情况,提出一种改进的人工蜂群算法.在基本人工蜂群算法基础上,将交叉机制与全局最优引导的人工蜂群算法相结合,增强人工蜂群算法中蜂群对蜜源的开发能力,同时保持探索能力.在观察蜂选择策略中,引入灵敏度的概念.灵敏度通过配合蜜源信息素而让观察蜂选择蜜源,增加种群的多样性,避免算法陷入...     

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。     

人工蜂群优化及其在资源管理中的应用

近年来,各种智能优化算法得到了广泛推广和应用,人工蜂群优化作为其中的一种典型算法被成功应用到工业界和制造业,譬如求解钢铁生产调度问题、供应链优化过程、交通问题等.本文首先对人工蜂群优化算法进行描述,并分析了该算法的收敛性.其次,对人工蜂群优化算法在各个领域的应用进行归类总结.最后,分析了讨论了人工蜂群优化如何应用于教学设计,以推动人工智能在教学改革中的应用.     

改进人工蜂群算法的四旋翼自抗扰控制参数优化

针对四旋翼自抗扰控制(ADRC)参数整定困难,给工程应用带来较大限制的问题,提出一种改进人工蜂群算法的四旋翼ADRC控制器参数优化方法。该算法采用自适应的探索策略,根据选择概率,从五种不同的搜索规则中进行选择,提高种群的多样性和寻优能力。将ADRC控制器中的参数作为蜂群中的种群应用到四旋翼无人机仿真模型中进行迭代寻优,并把风干扰模型作为环境噪声引入系统,测试算法性能。仿真结果表明,改进后的人工蜂群算法得到的控制器参数响应速度更快,稳态误差更小,抗干扰能力更强。     

人工蜂群粒子滤波信道估计算法研究

人工蜂群算法是用以解决复杂优化问题的新方法,具有收敛速度快、优化性能高等特点.将人工蜂群算法与粒子滤波相结合应用于信道估计可以摆脱常规方法对线性高斯条件的束缚,具有理论依据和现实意义.结合2种算法的优势提出了人工蜂群粒子滤波,采用人工蜂群算法确定粒子滤波的建议分布.仿真将Alpha稳定分布作为非高斯噪声模型,实现了粒子滤波及其改进算法的信道估计研究.结果表明人工蜂群算法与其他智能算法相比具有更快的收敛速度,改进人工蜂群粒子滤波与无迹粒子滤波相比极大地提高了信道估计精度.     

基于群体智能的蚁群算法研究

群体智能是指任何启发于群居性昆虫群体和其它动物群体的集体行为而设计的算法和分布式问题解决装置,群体智能现正在成为人工智能领域和相关领域的一个研究热点;该文首先介绍了群体智能中的两个重要算法:蚁群算法和粒子群算法的基本思想,然后重点探讨了蚁群优化算法,对基本蚁群算法和改进的蚁群算法进行了深入的分析和评述。     

改进人工蜂群算法在饲料配比中的应用研究

人工蜂群算法是一种模拟蜜蜂采蜜的群智能优化算法。针对传统的人工蜂群算法收敛速度慢,容易陷于局部最优进行了改进,引入了扰动控制频率来指导引领峰搜寻蜜源,增强算法局部搜索能力。提出了自适应动态变异算子,提高了算法收敛速度。融合了Boltzmann策略选择机制,动态调整了算法的搜索范围,增强了种群的多样性。算法成功地应用到求解动物饲料配比问题。结果显示,在运行效率、最优解质量、稳定性均优于被比较的其它算法。     

贝叶斯预测蜂群算法在无线传感器网络优化中的应用

针对无线传感器网络(WSN,wireless sensor network)节点分布不合理,存在较多的监测盲区等不足,提出了利用贝叶斯预测人工蜂群算法(BPABC,Bayesian predictive artificial bee colony algorithm)制定节点分布方案。BPABC算法借鉴贝叶斯预测算法的思想对蜂群算法中各蜜源存在最优解的概率进行预测,并以此为依据指导跟随蜂寻优工作。采用BPABC算法对WSN中的节点分布进行优化,与人工蜂群算法、全局人工蜂群算法制定的优化方案进行比较。结果表明,BPABC在平均覆盖率、最差覆盖率等方面均优于其他两种算法,并且BPABC算法在迭代收敛速度方面也有明显的优势。为了进一步验证改进算法的实用性,采用BPABC制定不同监测区域的WSN节点分布方案。WSN的覆盖率均在97%左右,并且标准差不超过0.005%。由此可见,基于BPABC的WSN节点分布优化方案具有较高的覆盖率、良好的适应性和稳定性。     

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。     

基于人工蜂群算法的岩土边坡稳定性测度分析

传统算法存在对初值选择敏感或者容易陷入局部最优的弊端,求解准确性较差。为此提出一种新的基于人工蜂群算法的岩土边坡稳定性测度分析方法。针对某研究岩土边坡,将坡脚看作坐标原点,构造直角坐标系,计算边坡稳定性系数。针对若干圆弧滑动面,构造优化数学模型,将其看作适应度函数,通过人工蜂群算法对其进行求解。在寻找最优解时,形成含若干解的初始种群,不同蜂群首先对解进行一次邻域搜寻,把新得到的解和之前解比较,保留适应度更高的解。人工蜂群算法随机因子多,在寻优后期,收敛速度过快,影响收敛准确性。为此,引入细菌趋化思想对其进行改进,在蜂群密度较小的情况下,蜂群开始吸引操作,在种群密度较大的情况下,蜂群开始排斥操作,引入自适应步长,增强蜂群全局搜索能力。经实验验证,所提算法可搜索获取全局最优解,有效完成岩土边坡稳定性测度分析。     

基于GPU改进的并行人工蜂群算法

相对于先前的并行人工蜂群算法进行了一些改进,主要采用OpenCL本地内存、并行规约等技术,提出了一种基于图形处理器（GPU）改进的并行人工蜂群算法．该算法将采蜜蜂映射为OpenCL一个工作项,跟随蜂采用右邻域优先的局部选择机制．实验结果表明：文中提出的改进并行人工蜂群算法提高了算法的执行效率,收敛速度得到提升．     

蚁群算法研究进展

人工蚁群算法是受到蚂蚁在觅食过程中能发现蚁巢到食物的最短路径这种搜索机制的启发而发展起来的一种群体智能算法、蚁群算法在求解一系列困难的组合优化问题上取得成效，成为解决TSP，VRP，QAP，JSP等典型问题的一种新型的强有力算法．对蚁群算法的起源和发展历史、算法理论研究的主要内容和方法、基于算法的改进以及应用范畴等，进行了系统的总结与综述，并对这一新型现代启发式算法的发展方向进行了展望．     

基于子种群的改进人工蜂群算法

针对人工蜂群算法以及现有改进算法的不足,提出了一种基于子种群的改进人工蜂群算法.此算法利用个体适应值与种群适应值平均值的比较,将种群划分为两个子种群,每个子种群采用不同的搜索方式,有效地平衡了不同搜索方式的探索和开发能力.此外,采用分段Logistic方程的初始化方法产生初始解,提高算法的收敛速度.与基本蜂群算法和其他改进蜂群算法进行比较,数值仿真结果表明,所提算法在处理复杂数值优化问题时具有更好的寻优精度和收敛速度.