基于混合离散人工蜂群算法的置换流水车间调度

针对以最小化最大完成时间为调度目标的置换流水车间调度问题,提出了混合离散人工蜂群算法.初始化种群采用NEH和随机方法.在算法的雇佣蜂阶段和侦查蜂阶段分别采用离散差分进化策略和变邻域搜索的变体产生邻域个体,为了兼顾算法的全局搜索和局部搜索能力,雇佣蜂阶段接受新个体采用模拟退火的概率突跳机制,而选择利用锦标赛方法,并对跟随的个体按一定概率进行局部搜索.此外,在侦查蜂阶段对锦标赛选择的个体执行破坏重建操作,用新产生的个体代替较差的个体.利用正交实验法调节算法参数,通过与其他算法的仿真实验结果比较,验证了算法的有效性.     

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.     

基于蜜蜂繁殖机理的蜂群聚类算法

将基于蜜蜂繁殖机理的蜂群算法应用于聚类问题,提出了一种新的蜂群聚类算法.对随机生成的初始蜂后在选优的基础上进一步优化,提高了算法收敛速度和聚类结果的稳定性.结合蜂后染色体的编码方式和雄蜂精子的单倍体特征,设计了产生幼蜂的交叉操作.充分利用蜂后良好基因信息对幼蜂展开邻域搜索来改进幼蜂质量.通过与其他聚类算法的对比实验,表明该算法具有良好的聚类效果和稳定性.     

交叉粒子群算法及其在天线设计中的应用

目的 为了求解解析性质差的复杂优化问题,提出了一种新的交叉粒子群算法.方法 该算法将全局邻域粒子群算法与局部邻域粒子群算法交叉使用,并采用适应度距离比确定局部邻域粒子群算法的速度更新策略.结果 提高了粒子群算法粒子的搜索能力.结论 该算法用来解决六边形阵列天线问题,取得了满意的效果.     

基于多邻域策略重心反向学习的差分进化算法

针对标准差分进化(DE)算法探索能力差、难以逃出局部最优的问题,提出一种基于多邻域策略和邻域重心反向学习的差分进化算法(MCOBDE)。该算法根据当前进化状态动态地选择不同的邻域策略:在算法前期大概率选择局部邻域策略,其采用的环形邻域结构有利于探索种群空间;在算法后期大概率选择全局邻域策略,其采用的星形邻域结构能加快算法收敛。同时在不同的邻域结构下辅以重心反向学习,能进一步扩大搜索范围,避免陷入局部最优。通过与其他DE算法针对15个CEC2015测试函数在低维和高维情况下的实验对比,证明本文算法具有较快的收敛速度和较高的收敛精度,能有效克服探索能力差、早熟收敛的缺点。     

异构环境独立任务分配的导引式局部搜索算法

针对异构环境下的独立任务分配问题，结合变邻域下降算法，提出了一种导引式局部搜索算法．该算法通过不断动态修改原问题的目标函数和系统性地改变邻域结构，既保留了局部搜索算法的高效率，又能有效地避免陷入局部极小解，因而能够较快地得到满意解．与领域中的典型算法进行了仿真比较，结果表明提出的算法具有良好的性能。     

改进的人工蜂群算法在图像水印中的应用

为了寻求水印图像视觉性和鲁棒性的优化,把数字图像水印处理转化为一个多目标求解问题。针对传统的人工蜂群算法收敛速度较慢、易陷入局部最优解的问题,提出了一种改进的人工蜂群算法并应用到图像的水印处理中。算法在雇佣蜂的搜索过程中加入了食物源强度因子和邻域因子,用来及时更新食物源和加快收敛速度;利用DCT对原始图像进行分解后,对数字图像水印进行了嵌入并实现了盲提取。实验结果表明,算法具有良好的视觉性和鲁棒性。     

一种解决有限缓冲区流水车间调度问题的复合启发式算法

针对以最大完工时间为目标的有限缓冲区流水车间调度问题,提出了一种新的复合启发式算法.算法设计中首先使用PF-NEH算法进行解空间的搜索,并采用基于插入邻域和交换邻域的可变邻域搜索算法来增强局部搜索.仿真实验表明,该算法具有高效性和优越性.     

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．     

基于混合离散人工蜂群算法的阻塞Flow Shop调度

针对带阻塞的Flow Shop调度问题,以最小化总流水时间为调度目标,提出了一种混合离散人工蜂群(Hybrid Discrete Artificial Bee Colony,HDABC)算法。HDABC算法采用基于NEH和NEH变体初始化,保证种群的质量和多样性。在雇佣蜂阶段采用差分进化策略产生邻域个体;在跟随蜂阶段采用锦标赛选择方法选择个体跟随,并对选择的个体采用优化插入操作产生新的邻域个体。此外,在侦查蜂阶段再一次采用锦标赛选择方法选择个体,并对较好的个体执行破坏重建操作,用产生的新个体代替原来较差的个体。用正交设计方法调节了该算法的参数。通过与其他两个算法的仿真实验结果比较,验证了本文算法的优越性。