基于MapReduce和改进人工蜂群算法的并行划分聚类算法

针对大数据背景下基于划分的聚类算法中存在参数寻优能力不佳、初始中心敏感、数据倾斜等问题,提出一种基于MapReduce和人工蜂群(artificial bee colony,ABC)算法的并行划分聚类(the partitioning-based clustering algorithm by using im-prove artificial bee colony based on MapReduce,MR-PBIABC)算法.首先,提出基于反向学习和聚类准则函数的初始化策略(backward learning and the clustering criterion function,BLCCF),提升人工蜂群算法搜索的解质量,并将ABC算法和人工鱼群(artificial fish colony,AFS)算法结合,提出改进人工蜂群(improve artificial bee colony,IABC)算法,通过利用AFS算法最优解能力较强的特性,来提高ABC算法的寻优能力;其次,根据改进的人工蜂群算法IABC获取初始聚类中心,提出相对熵策略(rela-tive entropy strategy,RES)衡量人工鱼间的距离,保证获得的初始聚类中心是最优人工鱼状态,从而有效避免了随机选取初始聚类中心,引起的初始中心敏感的问题;再次,设计数据均衡策略(data balancing strategy,DBS),通过动态收集节点负载并分配节点间的负载,解决了节点上数据倾斜的问题;最后,结合MapReduce计算模型,并行挖掘簇中心,生成最终聚类结果.实验结果表明,MR-PBIABC算法的聚类效果更佳,同时在大数据环境下,能有效地提高并行计算的效率.     

改进的人工蜂群算法及其在坐标转换七参数计算中的应用

人工蜂群(artificial bee colony,简称ABC)算法是模拟蜂群在采蜜过程中所表现的群体智能行为来实现对实际问题求解的相对较新的优化技术.针对ABC算法收敛速度慢和容易陷入局部最优的缺点,结合坐标转换七参数计算的特点,作者对ABC算法的初始解的确定和观察蜂阶段选择策略进行了改进,并将此改进的ABC算法应用到坐标转换七参数的计算中.通过与其他两种方法计算的七参数进行坐标转换的精度对比实验,验证了论文方法计算的七参数实现了更高精度的WGS-84坐标系与BJ-54坐标系坐标的转换.     

基于改进人工蜂群算法的移动机器人路径规划研究

为了进一步提升基于人工蜂群(artificial bee colony,ABC)算法机器人路径规划的科学性,文章在建立路径规划实验模型基础上在ABC算法中引入了混沌映射产生初始解和反轮盘赌机制进行并行选择,提出等距分布式并行搜索,同时在全局更新机制中引入势场作用,进而得到了一种改进人工蜂群的(improved artificial bee colony,IABC)算法。将IABC算法应用于路径规划,并利用Taguchi正交试验选取实验参数值与目标函数参数值进行基于ABC算法与IABC算法的路径规划对比实验,实验结果表明,IABC算法规划出的路径质量较佳,能够提升规划效率。     

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     

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。     

基于结构自组织ELM的铝热连轧轧制力预测

轧制力在铝热连轧中起着重要作用,针对热轧过程中的非线性、参数强耦合性等因素使得其难以建模的问题.本文提出一种具有拓扑结构自组织的极限学习机(Topology Self-Organizing Extreme learning machine,TSO-ELM)算法,解决了ELM的结构设计问题,实现了结构和参数的自组织.根据现场数据,使用TSO-ELM算法进行铝热连轧轧制力预测,结果表明该算法与人工蜂群算法优化反向传播神经网络(Artificial bee colony algorithm optimized Back-propagation neural network,ABC-BP)和增强型增量极限学习机(Enhanced random search based incremental extreme learning machine,EI-ELM)算法对比,其训练速度和精度都得到了一定的提高.     

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。     

自学习策略和Lévy飞行的正弦余弦优化算法

针对正弦余弦算法（SCA,sine cosine algorithm）局部搜索能力差的缺陷,提出自学习策略和Lévy飞行的正弦余弦优化算法（SCASL,sine cosine optimization algorithm with self-learning strategy and Lévy flight）。首先,提出正弦余弦算法自学习策略和非线性权重因子,使搜索个体记忆自身历史最优位置,在寻优过程中指导搜索个体更新位置,提高SCA的局部搜索能力;算法寻优后期,当搜索陷入局部最优时,采用基于Lévy飞行的停滞扰动策略使算法跳出局部最优,提高SCA的局部最优规避能力。基于13个经典基准测试函数对算法性能进行测试的实验结果表明,SCASL相比标准SCA和较新的优化算法SSA,VCS,WOA,GSA,具有更高的计算效率,收敛精度以及更强的局部最优规避能力。求解无人作战飞机航迹规划的仿真结果表明,在有6个敌方威胁源的战场环境中,相比SCA,SCASL求解得到的飞行航迹具有更小的航迹代价。综上,所提出的SCASL具有较强的寻优能力。     

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。     

融合差分进化思想的自适应人工蜂群算法

针对人工蜂群算法求解复杂优化函数时,存在收敛速度慢、算法后期种群多样性下降以及易陷入局部最优解等缺点,提出了一种融合差分进化思想的自适应人工蜂群算法.首先,引入反向学习策略初始化种群,增加种群的多样性,加强算法跳出局部最优解的能力.其次,将雇佣蜂搜索过程与差分进化算法融合,并加入自适应策略平衡算法的勘探与开发能力.最后...     

一种逐步加强开采的人工蜂群算法

针对人工蜂群(ABC)算法开采能力差的问题,提出一种逐步加强开采能力的改进ABC算法.在雇佣蜂阶段,向局部最优解学习,并逐步增大局部最优解的比率;在观察蜂阶段,向局部最优解和全局最优解学习,并逐步增大全局最优解的比率,从而较好地平衡算法的勘探与开采能力.在CEC2014等36个函数上进行实验,结果表明,改进ABC算法的性能明显优于ABC-NS和CoDE等算法.     

基于改进布谷鸟算法结合电导增量法的最大功率点追踪

动态遮阴下,光伏阵列的输出P-U曲线会出现多个功率极值点,传统最大功率点追踪会陷入局部最优。为此,本文提出基于自适应差分进化的改进布谷鸟(ICS)算法与电导增量法(INC)相结合的复合算法(ICS-INC)。该算法提出自适应抛弃概率和自适应步长因子,结合差分变异进行随机偏好游走,使算法的搜索开发能力得到提升,避免陷入局部最优。通过改进Lévy飞行公式减小其随机性,减小算法的迭代次数来缩短跟踪时间,由INC实现局部快速搜索,稳定输出最大功率。仿真结果表明,与其他算法相比,该算法的追踪速度,全局搜索性以及环境变化的适应能力均得到提升。     

基于遗传搜索策略的人工蜂群算法

针对人工蜂群算法收敛速度缓慢、容易陷入局部最优解的问题,将改进的遗传进化机制与蜂群算法相融合,提出了一种遗传蜂群算法。通过引入遗传算法的交叉变异算子,有效地增加了食物源的多样性,减小陷入局部最优的可能;采用了自适应选择食物源的机制,使蜂群在中后期更好地搜索到最优食物源所在区域,进而提高了全局搜索效率;此外,提出了在侦察蜂阶段的局部搜索策略,提高了算法进化的收敛速度。将遗传蜂群算法应用于TSP中,通过对TSBLIB中几个典型问题的实验,结果表明,提出的遗传蜂群算法具有很强的全局优化能力,在求解TSP问题中精度高,收敛速度快,且是一种解决TSP问题的有效方法。     

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。     

基于改进人工蜂群算法的大青杨晚材率预测

为了更加准确地预测人工林大青杨(Populus ussuriensis)晚材率,通过对标准人工蜂群算法(artificial bee colony, ABC)的蜜源更新公式进行改进,提出了分段式蜜源搜索半径公式,并用改进的人工蜂群算法(AABC)对径向基(radial basis function, RBF)神经网络的初始参数进行优化,提出一种基于改进的人工蜂群算法和径向基神经网络算法结合的预测模型,并与粒子群(partical swarm optimization, PSO)优化的RBF神经网络预测结果进行对比。结果表明:传统的RBF预测模型不仅收敛速度慢,而且预测精度不高。基于改进的ABC算法优化RBF神经网络预测模型整体比PSO优化的效果相对较好,收敛速度从42步提升至28步,预测的平均相对误差从2.54%降低到0.95%。可见对ABC算法的改进是可行的,而且提高了晚材率预测的精度。     

基于反向学习的人工蜂群算法收敛性研究

目的研究人工蜂群算法在搜索方面表现较好而在开采方面表现相对薄弱及人工蜂群算法收敛性证明较少的情况,解决标准的人工蜂群算法容易除局部最优和早熟收敛问题.方法提出基于反向学习的人工蜂群算法,使算法跳出局部最优及早熟收敛,更利于找到最优解;利用Markov链等理论对基于反向学习的人工蜂群算法进行简单的收敛性分析,给出算法的基本实现步骤,并通过一组测试函数进行实验.结果采用GABC算法对种群大小为80,最大循环数为5000,独立运行30次进行实验,实验数据表明,D=30的OABC的实验数据略差于GABC,而D=60的OABC的标准差数据好于GABC和ABC算法.实验结果表明改进后的算法在许多方面比标准的人工蜂群算法有更好的表现.结论收敛性分析表明基于反向学习的人工蜂群算法具有较好的收敛性.     

多车型组合调度的建模与弹性边界人工蜂群求解方法

在保证运力的情况下,综合考虑滞留乘客和运营服务等现实因素,将公交公司运营成本和乘客候车成本降为最小,提出一种多车型组合调度模型。尝试一种具有弹性边界的人工蜂群算法(artificial bee colony algorithm with bounce boundary,BBABC)对此公交模型进行求解。该算法采用具有弹性的边界策略,解决了种群个体越界问题,搜索效率提高,收敛速度加快。侦查蜂搜索方式为遗传突变,在加大变异的同时保留一定的社会信息;同时引进吸引子,提高算法的局部搜索能力。通过对某线路进行实验仿真,与单一车型调度方式进行对比分析,发车时间间隔延长18%,公交公司和乘客的总成本减少9%,车站滞留乘客减少90%,满载率提高15%。     

一种基于混沌搜索改进的人工蜂群算法

针对人工蜂群算法存在容易陷入局部最优解以及收敛速度慢的不足,提出了一种改进的人工蜂群算法.该算法在基本人工蜂群算法的基础上,根据可能解上的适应值定义搜索步长来解决陷入局部最优的问题,根据可调的参数定义食物源选择概率模型来解决收敛速度慢的问题,该选择的概率模型是基于混沌搜索定义全局最优解的搜索方法.最后,在7种不同的测试函数上对改进后的算法进行了实验测试,实验结果表明该改进算法比基本人工蜂群算法有着更高的搜索精度和较低的时间复杂度.     

一种改进人工蜂群算法的 Wiener 模型分步辨识法

为解决非线性系统 Wiener 模型参数辨识问题,提出了一种基于改进人工蜂群算法（NLJ-artificial bee colony algorithm, NABC）的分步辨识方法。NABC 算法融合了人工蜂群算法的简洁性和随机搜索算法的高精度优势,有较快的收敛速度、较强的局部求精和全局搜索能力。通过对经典测试函数的寻优,验证了 NABC 算法较其他改进方法的优势。分步辨识法解决了 Wie-ner 模型辨识过程中容易造成的误差累积问题,实现其线性和非线性部分的独立辨识。通过 pH 中和反应过程建模仿真验证了分步辨识法的有效性。