蜂群算法

这是我在百度空间里面写的文章，很久了，现在搬家搬到这边来。

蜂群算法

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