基于交叉的全局人工蜂群算法的研究

人工蜂群(Artificial Bee Colony,ABC)算法在求解函数最优值时,存在后期收敛速度慢、易于陷入局部最优、疏于开发等问题.为了解决这些问题,对算法进行了深入研究,结合其他仿生智能优化算法的机制,提出了一种能有效提高收敛速度,增强算法开发性和全局寻优能力,并能有效避免种群个体陷入局部最优的算法——基于交叉的全局人工蜂群算法.选取7个标准测试函数进行实验仿真,结果表明,与ABC算法、全局最优人工蜂群算法(GABC)相比,基于交叉的全局人工蜂群算法(CGABC)的收敛速度及精度均有明显提高.     

平衡搜索的改进人工蜂群算法

针对人工蜂群(ABC)算法局部搜索能力弱的问题,提出一种平衡搜索的人工蜂群算法(BSABC).首先,采用一种基于对数函数的的适应度评价方式,用于减小选择压力,在一定程度上避免陷入局部最优.其次,受微分进化算法的启发,提出一种新的搜索策略,通过当前最优个体指导进化方向,使候选解的产生倾向于当前最优解,同时避免陷入局部最优.对6个经典测试函数进行仿真实验,并与经典的改进人工蜂群算法对比测试,结果表明:所提出的算法在收敛速度和收敛精度上都有显著的提升.     

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.     

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.     

子种群个体动态调整的人工蜂群算法

针对基本人工蜂群算法存在局部搜索能力差、收敛速度慢等缺点,提出一种动态调整子种群个体数目的改进人工蜂群算法用于求解无约束优化问题.该算法利用反向学习策略产生初始种群,以保证个体尽可能均匀分布在搜索空间中;基于个体适应度值,将种群分为两个子种群,分别采取不同的蜜源搜索公式,用于进行全局搜索和局部搜索.5个标准测试函数的仿真实验结果表明,改进算法具有较好的寻优性能.     

自适应贪婪搜索的人工蜂群算法

人工蜂群算法是受蜜蜂觅食行为启发提出的一种群体智能优化算法,为了增强人工蜂群算法的开采性能,本文更好地模拟了观察蜂的觅食行为,提出一种自适应贪婪搜索的改进人工蜂群算法,在观察蜂阶段,搜索半径自适应减小,成功搜索某食物源之后可以贪婪地再次搜索该食物源,以充分利用成功的搜索经验,减小搜索盲目性。在10个标准测试函数上的实验表明,改进算法的收敛精度超过ABC和最近提出的q ABC算法,而计算复杂度低于这两种算法。     

基于二项式交叉改进的人工蜂群算法

为了克服人工蜂群算法容易过早收敛和在接近全局最优时搜索速度变慢、疏于开发的缺陷,提出一种基于二项式交叉改进的人工蜂群算法.改进算法引入全局最优值,通过二项交叉将邻域搜索的最优值与全局最优值进行比较,以加快算法的收敛速度,提高算法在最优解附近的开发能力.通过7个基准函数进行仿真测试发现:和标准的人工蜂群算法相比,改进的人工蜂群算法有较好的收敛速度和收敛精度,有效提高了原算法的全局寻优能力,且并未大量增加算法的复杂度,是一种有效的优化算法.     

改进人工蜂群算法求解非线性方程组

针对传统的人工蜂群算法在处理单峰问题时收敛速度较慢、多峰时易陷入局部最优等缺点,通过借鉴差分进化算法中变异算子的作用,提出了一种改进的人工蜂群算法.该改进算法在对蜜源邻域的搜索过程中引入了个体当前最优值及随机向量,从而加快算法的收敛速度,并且在一定程度上防止多峰问题易陷入局部最优的不足,提高算法的搜索能力.最后将改进的算法应用到求解基本函数和非线性方程组上,测试改进算法的性能.结果表明,改进的算法能够有效避免陷入局部最优,并能较大幅度地提高收敛速度和收敛精度.     

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.      

基于改进ABC算法的城市内涝应急车辆路径优化

考虑到城市内涝道路受损等因素,构建了车辆调度成本、时间惩罚成本和风险成本同时最小化的多目标优化调度模型.为了求解满足约束的最优调度方案,设计了一种改进的人工蜂群算法,引入自适应维度更新、全局搜索和混沌搜索更新策略,提高基本人工蜂群算法的求解精度和稳定性等性能.算例仿真结果表明,改进算法与标准算法相比,具有更好的寻优性能,可提供更优的调度方案.     

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.     

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。     

一种求解旅行商问题的改进人工蜂群算法

针对人工蜂群算法在处理大规模旅行商问题时普遍存在易陷入局部最优解和早熟收敛的问题,提出一种改进的人工蜂群算法.将柯西变异算子引入蜜蜂食物源更新公式,设计了一种自适应对数步长代替随机步长以改进随机解生成公式.将改进算法用于求解对称TSP问题,实验结果表明,改进后的算法有效地解决了人工蜂群算法早熟收敛和搜索速度较慢等问题,在求解TSP问题上确实有效可行.     

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.     

基于二次插值的人工蜂群算法

人工蜂群算法是一种基于蜜蜂采蜜行为的一种优化算法.针对标准人工蜂群算法的收敛速度慢、搜索能力差、精度低的缺点。提出了一种基于二次插值的人工蜂群算法(QIABC)。保持全局搜索和局部搜索的平衡.数值实验说明了改进的人工蜂群算法在函数评价次数、收敛速度、精度和鲁棒性方面具有较大的优势,从而表明改进方法的有效性。     

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。     

加强局部搜索能力的人工蜂群算法

针对人工蜂群算法在求解过程中存在收敛速度慢、易陷入局部最优解等缺点,提出了基于加强局部搜索策略的人工蜂群算法(ABC Based On Enhancing Local Search Ability,LSABC).一方面,在雇佣蜂搜索阶段,利用两种不同的搜索公式得到两组解,并将适应度最佳者作为候选解,增加解的多样性;同时...     

保持个体活性的改进FA算法

在对基本FA算法进行分析的基础上,指出FA算法存在全局搜索能力不足,以及因聚集而早熟收敛现象.为克服FA算法的不足,提出了保持个体活性的改进FA(IFA)算法,分别从γ值自适应调节、过程萤火虫位置更新、聚集萤火虫重新激活以及最优个体的局部处理等多个方面对基本FA算法进行了改进.通过在10个基准测试函数上的测试,并与基本FA算法、PSO算法、ABC算法和其他改进FA算法进行对比,实验结果表明,改进的IFA算法能够很好地保持种群的多样性,具有较快的收敛速度与较好的求解精度,适合复杂函数优化问题.     

基于自适应混合引力搜索算法的混沌系统参数辨识

针对混沌系统未知参数的辨识问题,结合人工蜂群搜索算子和混沌优化策略,提出一种自适应混合引力搜索算法,并应用于混沌系统未知参数的优化辨识.利用混沌序列初始化种群以增强搜索初期的遍历性,基于人工蜂群搜索算子进行变异操作以提高算法的局部寻优能力,依据粒子的性能对进化过程中的万有引力系数进行自适应调整,有效避免了早熟收敛,提高了算法的整体寻优性能.以测试函数和典型混沌系统为例进行仿真实验,结果证明该算法具有良好的全局探测和局部开发能力,与遗传算法、粒子群算法、量子粒子群算法和引力搜索算法比较,其对混沌系统参数的估计具有相对较高的辨识精度和收敛速度,算法的有效性得到了验证.