基于自适应搜索的人工蜂群算法

针对基本的人工蜂群算法(basic Artificial Bee Colony algorithm,ABC)收敛速度慢和容易陷于局部最优等不足,采用混沌算子和逆向学习算子相混合的初始化种群的方法,有效地改进了初始种群的多样性;在雇佣蜂和观察峰的位置更新上,提出了自适应搜索算子.改进后的算法(Improved ABC,IABC)测试了5个标准单峰或多峰函数,结果表明,IABC算法在搜索效率、最优解质量、稳定性均优于ABC算法.     

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.     

一种邻域搜索的人工蜂群算法

提出采用邻域搜索机制来改进人工蜂群算法的解搜索方程,从当前食物源的环形邻域拓扑结构中选择较优的邻居食物源进行开采,平衡算法的勘探与开采能力。此外,为保存侦察蜂的搜索经验,提出采用一般反向学习策略生成被放弃食物源的反向解,提高算法的搜索效率。在20个典型的benchmark函数上验证算法的性能,并与6种知名的改进算法进行对比。实验结果表明:本文算法在收敛速度和解的精度上均有较大优势。     

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...     

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。     

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.     

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...     

基于智能搜索和特殊划分的人工蜂群算法

人工蜂群算法是一种具有强大搜索能力的全局搜索算法。传统的人工蜂群算法使用雇佣蜂、观察蜂和侦察蜂进行相互合作,每种蜜蜂有不同的分工,但不同类型的蜜蜂之间并没有差别。提出一种通过智能搜索和特殊划分来提升性能的人工蜂群算法。该算法中,不同的雇佣蜂和观察蜂会使用不同的搜索策略来寻找食物来源。该算法放弃了贪婪选择算法且在每次迭代时更新食物来源的位置。因此,该算法能够利用整个蜂群的经验来引导蜜蜂的搜索,通过一系列基准算法的性能分析证明了该算法的有效性。     

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.     

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。     

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.      

一种基于反馈策略的自适应选择人工蜂群算法

雇用蜂觅食策略对人工蜂群算法性能有较大影响,而单一的觅食策略难以适用于所有问题的搜索空间,并且算法运行的不同阶段所适合的搜索策略也不尽相同.因此,如何为一个给定的函数优化问题选择最佳的觅食策略尤为重要.针对这一问题,提出了一种基于反馈的觅食策略自适应人工蜂群算法SSABC,该算法能够在优化过程中为一个给定的优化问题自动选择最佳的觅食策略.实验表明,与经典ABC(artificial bee colony algorithm),PSO(particle swarm optimization),DE(differential evolution),GA(genetic algorithm)算法相比,SSABC算法的寻优能力有较大提高.     

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。     

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     

基于多蜂群的多无人机协同自适应搜索

针对多无人机(unmanned aerial vehicle, UAV)在未知海域环境下协同搜索这一重要研究课题,提出基于精英学习的多蜂群协同自适应搜索路径规划算法。首先,建立考虑飞行高度时变的无人机模型、传感器模型以及海域模型。其次,在该模型基础上建立了包括目标发现收益、期望探测收益及避碰等多目标效能函数。在考虑到UAV飞行高度动态变化时采用不同搜索策略,由于传统蜂群算法在搜索中存在适应性差、速度慢等缺点,提出基于精英学习的多蜂群算法,保证了搜索效益的最大化。最后,通过仿真实验验证了算法的有效性和实用性。     

基于贪婪搜索和变异操作的布谷鸟算法

作为一种新型的生物启发式群体智能算法,布谷鸟算法模拟了布谷鸟生育雏鸟以及鸟类的Levy flights行为,是一种全局最优搜索算法,为了更好地提高算法对不同问题的适应能力,提出一种基于贪婪搜索和变异操作的布谷鸟(GMCS)算法.根据最优位置设计一种贪婪搜索策略,贪婪搜索策略和Levy flights随机游动搜索策略按概率交替进行,加强算法的局部探索能力;引入差分进化算法中的变异操作,提高算法跳出局部最优的能力;加入一个新的参数,根据收敛状态自适应地调整参数阈值以控制贪婪搜索策略和变异操作的执行次数.通过8个标准测试函数进行数值实验,实验结果表明,与部分改进的布谷鸟算法以及一些其他改进的演化算法相比,GMCS算法具有较好的收敛性能和适应能力,验证了改进后算法的有效性.     

贪婪随机自适应搜索法在电网规划中的应用

基于贪婪随机自适应搜索法(GRASP)能有效地解决电网规划的组合优化问题,其每一次迭代包含构造和局域搜索两阶段.在构造阶段,以改进线路综合有效性指标为贪婪函数,采用比例法形成限制候选列表,并随机选择元素构成可行方案.根据线路的实际效用比剔除可行方案中的冗余线路,为局域搜索提供一个简练经济的初始网络,并采用1-1交换产生邻居集来拓展搜索空间寻找局优解.所有迭代中的最好方案作为电网规划问题的最优解.对于网络规模增大所引起的“维数灾”,提出5种邻居删减技术来提高算法的解算速度.算例分析证明了该方法的可行性、有效性.     

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.     

人工蜂群算法优化LS-SVM的预测模型

在航空公司运营过程中,航空客流量预测是航班计划制定、机组调度规划及航线安排等的重要依据。为了更加准确地预测航空客流量,提出了一种基于人工蜂群ABC(artificial bee colony)算法优化最小二乘支持向量机LSSVM(Least Squares Support Vector Machine)的航空客流量预测模型(ABC-LSSVM),并与LSSVM、GA-LSSVM和PSO-LSSVM模型的结果进行对比。结果表明,ABC-LSSVM模型的误差最小、精度最高,是相对有效的一种航空客流量预测方法。     

基于人工蜂群算法的TSP仿真

针对标准蚁群算法求解的旅行商问题(TSP)存在收敛速度慢,易陷入局部最优等缺陷,将求解组合优化问题的过程转化为蜜蜂群寻找优良蜜源的过程,并分析了人工蜂群算法及3种基本算法模型,3种引领因子更新策略,讨论了转移因子动态更新公式及状态转移公式,研究了利用该算法求解TSP问题的具体步骤,通过典型的TSP实例进行了仿真实验,结果表明该算法能够克服早熟现象,迭代次数少,收敛速度快,通用性强,比标准蚁群算法具有一定优势.