来源: Karaboga D , Gorkemli B , Ozturk C , et al. A comprehensive survey: artificial bee colony (ABC) algorithm and applications[J]. Artificial Intelligence Review, 2014, 42(1):21-57.
ABC代码讲解:https://www.bilibili.com/video/BV15t4y1B7Hs/
评论区有代码分享
一、前言
人工蜂群(ABC)算法是一种比较新的群智能算法,它在21世纪初才被提出。该算法模拟了蜜蜂采蜜的生物行为,具有角色转换的特点,可以实现雇佣蜂,观察蜂和侦查蜂三种蜂型之间的互相转换。雇佣蜂的作用是保存优良信息,跟随蜂提高了算法的收敛能力,侦查蜂则是用于跳出局部最优。三种蜜蜂相辅相成,动态转换角色,使得算法性能优于其他基础算法。
二、算法流程
- 在一个n维空间,种群规模为NP,即雇佣蜂的个数,雇佣蜂(蜜源)的位置Xi = {x1, …, xNP},那么其目标函数值指定为Fit ={fit1, …, fitNP},初始化后进入雇佣蜂阶段:
其中,φ是扰动因子,通常设置区间[-1,1],i ≠j,在种群NP中寻找一个不等于i的蜜源。更新蜜源并求解目标函数值,将使用贪婪选择方法将Xi替换或保留。选择结束后,对每个蜜源的目标函数值求解并更新其跟随度:
得到跟随概率(选择概率)pi, 采用轮盘赌的选择方式来选择新的蜜源进行更新。
2. 观察蜂阶段。根据定义的观察蜂数量,以同样的方式更新观察蜂:
%% 观察蜂阶段
for i=1:gc_size
r=rand; % 采用轮盘赌随机选择一个蜜源,对该蜜源进行更新
j=find(r<=P,1,'first');
k=randi(gy_size,1); %选择一个除个体i的其它一个个体
while k==j
k=randi(gy_size,1);
end
fai=rand*2-1; %加速系数,取值范围[-1,1]
new_pop=pops(j,:)+fai.*(pops(j,:)-pops(k,:)); %更新雇佣蜂的位置
% 边界处理
new_pop = min(pop_max,new_pop);
new_pop = max(pop_min,new_pop);
new_cost=fun(new_pop,fun_num); %更新相应的函数值
if new_cost<cost(j) %贪婪方式存储最佳蜜源,若没更新,则记录
pops(j,:)=new_pop;
cost(i)=new_cost;
else
L(i)=L(i)+1; %记录此蜜源的更新停滞次数
end
end
- 侦查蜂阶段。如果一个蜜源达到限定迭代次数limit后,仍没有进行更新,则进入侦查蜂阶段:重新被初始化然后进行探索更新。
三、流程图