人工蜂群算法（ABC）

Bee colony algorithms

蜂群算法的分类（基于繁殖行为的算法、蜜蜂交配优化算法、蜜蜂进化型遗传算法、蜂王算法）

基于采蜜行为的算法（人工蜂群算法（ABC）、虚拟蜜蜂算法、蜂群优化算法）

生物学机理

1、不同角色之间的交流、转换及协作来实现

2、采蜜行为包括蜜源、采蜜蜂与待采蜜蜂

蜂群算法存在的问题

1、参数设置对算法性能影响很大

2、容易陷入局部最优，早熟

3、无理论支持，数学证明

4、并行计算，分布式

5、仅应用在组合优化问题

参数：

蜜源:可能的最优解

角色(role):引领蜂(leader),侦察蜂(scouter),跟随蜂(follower)

蜜蜂行为:搜索(search)蜜源,为蜜源招募(recruit),放弃(abandon)蜜源

蜂群参数:SN(种群规模),maxcycle(迭代次数),limit(全局和局部搜索能力),n(邻域规模),cycle(迭代次数变量)

参数说明：

引领蜂，跟随蜂：加快算法收敛

侦察蜂：增强算法跳出局部最优的能力

Limit：控制了算法的收敛性，对算法跳出局部最优解有这重要影响；前期比较小，增强全局搜索能力，后期较小，加快收敛速度

N邻域规模：前期比较大，增强局部搜索能力，后期较小，加快收敛

算法步骤：

l初始化

 种群规模SN包含引领蜂和观察蜂,各取种群数量的一半，初始解数量FN=SN/2。

 trail[i]第i个解的实验次数初始化为0

 

 

 

 排序：函数优劣，前50%作为引领蜂，后50%作为跟随蜂

 适应度：

 

引领蜂阶段

邻域搜索

如果新解优于原先解，则替换，否则不变;

更新trail[i]，若大于limit值，则抛弃该解(可以用队列进行存储该局部最优解)，同时，引领蜂角色转化侦察蜂,trail[i]=0;

跟随蜂阶段

计算蜜源Xi被选择概率P

选择蜜源后，进行邻域搜索，搜索规则：

贪婪原则，如果该解优于原引领蜂的解，则完成角色互换，跟随蜂转变为

引领蜂，否则不变。

直到所有跟随蜂被分配到蜜源

侦查蜂阶段

随机产生新的解，若优于原先的解，则替代原先局部最优解，侦察蜂转变为引领蜂， trail[i] 清零；若不优于原先解，原先解不变；

初始化生成解的方法，随机化方法

一轮算法结束后，最优解被记录，迭代次数cycle++

若cycle=maxcycle，算法结束；否则跳到引领蜂的阶段

--------------------- 本文来自 排山和倒海 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/wangqing008/article/details/11849255?utm_source=copy