python智能优化算法_人工蜂群（ABC）算法的群体智能优化问题方法（Python完整实现）...

这些算法已被证明在解决实际问题方面非常有效。一些可以使用SI算法解决的任务是聚类，行星映射，控制纳米机器人和数据挖掘中的各种问题，如特征选择和分类。

在数学上讲，要使用计算智能算法解决现实世界中的优化问题，我们需要一个数学表示我们的问题，这种表示称为目标函数，它是描述问题和所有决策变量的数学规则。

简而言之，优化问题由搜索空间定义，搜索空间是我们将寻找解决方案的区域，一组决策变量，其中包含影响我们问题的所有参数，当然还有目标函数，其中的数学规则这个问题也给了我们一个候选解决方案的良好测量。

优化问题的目标是从所有可行的解决方案中找到最佳解决方案。这通常意味着我们想要最小化或最大化目标函数。换句话说，我们希望找到最小化我们的目标函数值(也称为适应值)的输入决策变量集合。

人工蜂群算法

人工蜜蜂群体(ABC)算法是一种模拟蜜蜂群体行为的优化算法，并于2005年首次提出由Karaboga提出进行实参优化。

在这个数学模型中，我们的蜜蜂群体由三种蜜蜂组成:工蜂，它们将在特定食物来源的蜂箱上工作。围观的蜜蜂会在员工身上进行巡逻，以验证某一特定食物来源是否物有所值，而侦察蜂则会寻找新的食物来源。

在ABC算法中，食物源被定义为搜索空间中的一个位置(优化问题的候选解决方案)，最初的食物源数等于蜂巢上的蜜蜂数量。食物来源的质量是由该位置的目标函数值(适应值)来定义的。

来自蜜蜂的新兴智能行为可以概括为几个步骤：蜜蜂开始随机探索寻找良好食物来源的环境(fitness value)。

找到食物来源后，蜜蜂成为员工蜜蜂，并开始在发现的来源提取食物。

员工蜜蜂用花蜜返回蜂巢并卸载花蜜。卸下花蜜后，她可以直接返回她发现的来源地点，或者通过在舞池上跳舞来分享她的来源地点的信息。

如果食物来源枯竭，员工蜜蜂就会成为一名侦察员并开始随机搜索新的食物来源。

旁观者蜜蜂在蜂巢内等待观察雇员蜜蜂的食物来源收集，并从更有利可图的来源中选择一个来源。

食物来源的选择与来源的质量(适应值)成正比。

尽管我们描述了三种类型的蜜蜂，但在实施层面，我们意识到只有两种类型，即员工和旁观者。侦察蜂实际上是一种可以由员工和旁观者蜜蜂执行的探索行为。

在本文中，我们将使用Python，因为它在数值计算中越来越显示出高效性，并且更容易实现一组客观基准以重用我们的群智能算法。import numpy as np

from scipy import optimize

from deap.benchmarks import schwefel

from abc import ABCMeta

from abc import abstractmethod

from six import add_metaclass

@add_metaclass(ABCMeta)

class ObjectiveFunction(object):

def __init__(self, name, dim, minf, maxf):

self.name = name

self.dim = dim

self.minf = minf

self.maxf = maxf

def sample(self):

return np.random.uniform(low=self.minf, high=self.maxf, size=self.dim)

def custom_sample(self):

return np.repeat(self.minf, repeats=self.dim) \

+ np.random.uniform(low=0, high=1, size=self.dim) *\

np.repeat(self.maxf - self.minf, repeats=self.dim)

@abstractmethod

def evaluate(self, x):

pass

class Sphere(ObjectiveFunction):

def __init__(self, dim):

super(Sphere, self).__init__('Sphere', dim, -100.0, 100.0)

def evaluate(self, x):

return sum(np.power(x, 2))

class Rosenbrock(ObjectiveFunction):

def __init__(self, dim):

super(Rosenbrock, self).__init__('Rosenbrock'