基于人工蜂群算法优化SVM的鱼类毒性预测模型

定量构效关系(QSAR)是预测鱼类急性毒性的常用手段,其中多维构效关系为非线性回归问题,在处理这种非线性问题时往往存在一定的局限性.为了更加准确地预测鱼类急性毒性,本文利用了在非线性情况下表现良好的支持向量机(SVM)进行预测,提出了一种基于人工蜂群算法(ABC)优化支持向量机的鱼类毒性LC50预测模型,并与SVM、G...     

基于鸡群优化和人工蜂群优化的混合算法

鸡群优化算法(chicken swarm optimization,CSO)和人工蜂群算法(artificial bee colony,ABC)都是新的优化方法,由于算法简单并且有效,因此吸引了许多研究者,但是求解高维优化问题时,CSO算法由于其低的全局搜索效率,可能会陷入局部解;ABC算法缺乏强有力局部搜索能力使得收敛速度较慢。因此文章结合CSO的局部搜索阶段和ABC的全局搜索阶段提出CS-ABC算法,在迭代中,算法根据每个粒子的pbest来调整粒子,最后用13个高维测试函数来测试,并与ABC、粒子群优化算法(particle swarm optimization,PSO)、CSO进行比较,数值试验证明CS-ABC算法是有效且快速收敛的。     

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.     

混沌人工蜂群算法

针对人工蜂群算法搜索精度较低、容易陷入局部最优的缺陷,将混沌搜索机制融入了人工蜂群算法,利用混沌机制重置个体,以保持个体的多样性;同时加入全局最优个体信息和惯性调整因子对个体位置进行更新,提出了混沌人工蜂群算法,并将该算法应用于水电站经济调度问题.实验结果显示,混沌人工蜂群算法搜索精度高、速度快,鲁棒性强,是一种较实用的优化算法.     

基于人工蜂群算法的支持向量机优化

支持向量机的分类性能在很大程度上取决于其相关参数的选择,针对该问题提出基于人工蜂群算法的支持向量机参数优选方法并将其应用于电机轴承的智能故障诊断.该方法采用分类错误率的倒数作为适应度函数,利用人工蜂群算法对支持向量机的惩罚因子与核函数参数进行优化.通过在多个标准数据集上的测试证明,与遗传算法等传统优化算法相比,人工蜂群...     

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.     

基于人工蜂群算法的食品供应链召回优化

针对食品供应链加工环节召回优化问题,给出4层批次分散模型,包含原料、部件、半成品、成品4个层次和分解、组合、包装3个加工流程。该批次分散模型的求解是一个NP难度问题。提出一种基于人工蜂群算法的召回优化方法,并引入惩罚函数,将约束问题转化成无约束问题。仿真结果和性能对比表明,该算法收敛较快,运算开销小,可以显著降低平均召回规模,适用于食品供应链加工环节的召回优化。     

基于改进人工蜂群算法的大数据优化

针对传统方法无法解决具有5 V独特属性的大数据优化问题,提出基于改进人工蜂群(Artificial Bee Colony,ABC)算法的大数据优化信号重构算法.该算法通过引导所考虑问题的现有信息来初始化食物源,在引领蜂阶段使用交叉和变异算子生成候选解,并使用轮盘赌反向选择机制生成要交叉的食物源,观察蜂采用Rechenb...     

改进的人工蜂群算法

人工蜂群算法是一种新兴的群智能优化算法,以其独特的寻优机制被广泛应用。然而,该算法存在着"早熟"收敛和进化后期搜索能力较差的缺点,针对这一问题,采用反向学习的种群初始化方法,并引入受差分进化算法思想启发的搜索方程,提出了一个改进的人工蜂群算法(简记为DEABC)。通过5个测试函数的仿真实验并与其他算法比较,结果表明DEABC算法具有更好的优化效率和优化性能。     

优化人工蜂群算法的跨域虚拟网络映射算法

针对跨域虚拟网络映射问题,提出一种基于优化人工蜂群算法的跨域虚拟网络映射算法.该算法采用集中管理、分布控制的方式实现物理网络资源的有效利用,并就人工蜂群算法收敛速度慢、局部最优缺点,提出寻优能力更强的优化人工蜂群算法进行域间映射请求的划分.实验结果表明:与LID-MVNE算法、Policy-MVNE算法、GA-MVNE算法相比,所提算法能够以更小的额外开销、更少的划分时间实现更高的接受率.     

基于粒子群和人工蜂群算法的混合优化算法

提出一种基于粒子群(PSO)和人工蜂群算法(ABC)相结合的新型混合优化算法—PSOABC。该算法基于一种双种群进化策略,一个种群中的个体由粒子群算法进化而来,另一种群的个体由人工蜂群算法进化而来,并且在人工蜂群算法中按轮盘赌的方式选择个体进化所需的随机个体。此外,算法采用一种信息分享机制,使两个种群中的个体可以实现协同进化。对4个基准函数进行仿真实验并与ABC进行比较,表明本文提出的算法能有效地改善寻优性能,增强摆脱局部极值的能力。     

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。     

人工蜂群优化神经网络的无线传感器节点定位算法

为了改善传感器节点定位性能,提出了人工蜂群优化神经网络的无线传感器节点定位算法。首先测量3个锚节点与定位传感器节点之间的参数,然后采用人工蜂群优化神经网络对测距误差进行建模与预测,并根据检测结果确定权重,最后根据三边定位算法进一步提高定位精度,并采用仿真实验测试其有效性。结果表明,该文算法提高了定位的精度,加快了定位的速度,定位实时性优异。     

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高维多目标优化

为了提高高维多目标优化算法的收敛性和分布性,提出基于改进人工蜂群算法的高维多目标优化算法。首先,利用一种改进的适应值评价方式定量比较高维多目标中个体的优劣;其次,改进人工蜂群算法,使种群迅速收敛于最优的非支配前沿;最后,建立新的分布性维护机制使所获得的非支配解分布均匀、覆盖整个最优前沿。研究结果表明:对于3~8个目标的DTLZ系列测试函数,与PISA算法等几种较流行的高维多目标算法相比,本文方法收敛性好,解集覆盖范围广且分布均匀.     

求解约束优化问题的多成员人工蜂群算法

针对约束优化问题提出了一种多成员人工蜂群算法.新算法设计了一种多成员机制,增强了在可行域内的搜索能力.在进行选择操作时,允许拥有较优目标函数的不可行解战胜可行解,增强了种群的分散性;在处理等式约束时,引入一种约束放松程度从大到小变化的机制,充分利用了等式约束周围不可行解的信息.针对13个标准测试函数的仿真实验表明:当处理含有等式约束且可行域较小的问题g13和最优解位于可行域内部且可行域较大的问题g02时,与改进人工蜂群算法相比,新算法最优解的均值误差分别减小了76%和80%.     

基于混沌人工蜂群算法优化的SVM 齿轮故障诊断

为克服支持向量机中模型参数的随意选择对分类性能造成的不利影响, 提出了基于混沌人工蜂群算法的支持向量机(CABC鄄SVM: Chaotic Artificial Bee Colony algorithm of Support Vector Machine)参数优化方法。该方法采用Logistic 混沌映射初始化种群和锦标赛选择策略, 对支持向量机的惩罚因子和核函数参数进行优化时以分类准确率作为适应度函数。通过UCI 标准数据集实验证明, CABC 具有较强的局部和全局搜索能力, 其优化的支持向量机可在很大程度上克服局部极值点, 从而获取更高的分类准确率, 并有效缩短了搜索时间。将该方法应用于实际齿轮故障诊断中, 采用小波相对能量作为特征输入支持向量机, 分类准确率达到99. 4%, 验证了该方法的可行性和有效性。     

基于改进人工鱼群算法优化SVR的预测模型

为了降低参数的设定对支持向量机确度的影响,鉴于人工鱼群算法具有易陷入局部最优、收敛速度慢等问题,提出了一种基于改进人工鱼群算法(AFSA)的支持向量机的网络安全态势预测模型,并与GA-LSSVM、PSO-LSSVM及ABC-LSSVM模型进行对比分析.结果表明:文中提出的改进AFSA优化SVM模型性能优于其他比照模型,...     

人工蜂群算法及其在组合优化中的应用研究

人工蜂群算法是一种启发式算法,通过模拟自然界蜂群觅食过程来解决现实中的优化问题。算法中将每只蜜蜂看做一个智能体,若干智能体间相互合作,高效地完成对目标的搜索、优化。总结人工蜂群算法用于解决组合优化问题的一般方法,以0-1背包问题为例对算法进行仿真测试,实验结果表明:人工蜂群算法有效且优于存在的蚁群算法。     

改进的蜂群LS-SVM故障预测

为了提高基于最小二乘支持向量机的故障预测精准度,提出了AFS-ABC算法,用于组合优化LS-SVM的规则化参数C和宽度参数σ.该算法将鱼群算法AFS简化模型中人工鱼的寻优更新方法引入到蜂群算法中,以互补优势、互克不足.通过100维Ackley函数验证了该算法在优化精度和搜索速度上较AFS算法与ABC算法的优越性,并以某航空电子系统电源模块记录电压数据序列的前40个作为LS-SVM模型的训练集,后15个作为测试集,利用MAT-LAB的LS-SVM工具箱进行状态预测仿真.结果表明,AFS-ABC算法较好地改善了LS-SVM的预测精度,同时解决了局部极值和寻优结果精度低的问题.