人工蜂群算法-CSDN博客

原文：http://blog.csdn.net/fashionxu/article/details/7823290

前言

人工蜂群算法（Artifical Bee Colony）是一种元启发式智能算法，由Karaboga in 2005在2005年引入，用来求解数值优化问题。它受启发于蜜蜂的觅食行为。这种算法主要基于 Tereshko 和Loengarov (2005) 提出的蜂群觅食行为模型。这个模型包含了三种核心元素：雇佣蜂（employed bees），非雇佣蜂（unemployed bees）和食物源（food sources）。前两者负责搜寻蜂巢附近的富源（rich food sources）。这种模型也定义了两种指引模式：富源会反馈会积极信号，从而引导更多的蜜蜂来采蜜；贫源（poor food sources）会反馈消极信号，会导致放弃这个食物源。这两种行为是自组织的和群智能的。

在ABC中，把待求解的问题的解看做是人工食物，食物越充足（rich），表示解的质量越好，然后一群人工蜜蜂会去搜寻富源，从而找到一个相关问题的比较好的解。为了应用ABC，待求解的问题首先要转化为最优化问题，也就是找到一组参数向量，使得目标函数最小化。人工蜂群就会随机初始化一些解，然后通过迭代，使用邻居搜索的策略来向更好的解靠近，并放弃差的解，逐步提高解的质量。

全局优化问题

一个全局优化问题可以定义为寻找参数向量，使得目标函数最小化，如下式所示：

(1)

这个函数会带有如下的等式和/或不等式约束：

(2)

subject to:

for (3)

for (4)

定义了一个上的n维的搜索空间S。变量取值范围被限定在起上下限中，如式(2)所示。这也是一个带约束的优化问题。如果且，则变为一个无约束优化问题。

人工蜂群元启发式算法

在ABC中，人工蜂群由三种蜜蜂组成：雇佣蜂(employed bees)同特定的食物源相关联；观察蜂(onlooker bees)观察蜂巢内雇佣蜂的舞蹈以决定选择某个食物源；侦察蜂(scout bees)会随机的搜索食物。侦察蜂和观察蜂又叫做未雇佣蜂。算法初始的时候，所有的食物源会被侦察蜂搜索到，然后，食物源会被雇佣蜂和观察蜂所开发利用。持续性的开发利用会使得食物源很快被消耗尽，于是消耗尽食物源的雇佣蜂会转变成为侦察蜂。在ABC中，食物源的位置代表了问题的一个可行解，食物源处的蜂蜜的数量代表了相关问题解的质量。雇佣蜂的数量等于食物源的数量，因为每只雇佣蜂会关联到一个且仅一个食物源。

通用ABC算法框架如下所示：

初始化时期；

Repeat

雇佣蜂时期；

观察蜂时期；

侦察蜂时期；

记录找到的最好解；

Util (达到最大循环次数或者达到cpu时间)

初始化时期

利用侦察蜂初始化所有代表食物源的向量，，SN是种群的大小，设定控制参数。由于每个食物源都是待优化问题的解向量，因此每个都含有n个变量。这些向量将要被优化，从而使得目标函数最小化。可以利用下式进行初始化：

(5)

其中和是参数取值的上下限。

雇佣蜂时期

雇佣蜂会依据其记忆中的食物源的位置进行邻居搜索，找食物源附近的更好的食物源。当雇佣蜂找到一个食物源之后，会评估其适应值。此处，它们可以采用下述公式来确定邻居食物源：

(6)

其中是一个随机选择的食物源，i是随机选择的一个位置索引，是一个[-a,a]之间的一个随机数。当产生新的食物源之后，会计算出它的适应值，并且在和之间应用贪心法做出选择。

解的适应值，可以通过下式转化为最小化问题来求解：

(7)

其中是待解问题的目标函数值。

观察蜂时期

非雇佣蜂由两部分群体组成：观察蜂和侦察蜂。雇佣蜂会向在蜂巢中等待的观察蜂来分享它们获得的食物源信息。观察蜂会根据这些信息进行一种随机的选择。为此，需要一种基于适应值的选择方法，比如轮盘赌。被选中的概率可以用下述表达式计算：

(8)

当食物源被一只观察蜂选中后，利用(6)式产生邻居食物源，再计算其适应值。在雇佣蜂时期，在和之间用贪心法来做出选择。因此，更多的观察蜂会选择富源并反馈回积极信号。

侦察蜂时期

未雇佣蜂随机搜索食物源，称为侦察蜂。如果雇佣蜂通过实现给定的尝试次数之后，仍然未能提高解的质量，则雇佣蜂就变成为侦察蜂，其拥有的解就会被放弃。（尝试次数是由ABC使用者事先给定的，称为“limit”或者“放弃阈值”（abandonment criteria））转换后的侦察蜂开始随机搜索新的解，比如，如果被放弃了，那么原来拥有的雇佣蜂就会利用(5)式来产生新的解。因此那些随机产生的贫源或者近期形成的贫源就会被放弃，产生消极的信号，以来平衡积极的信号。

ABC算法总结起来，有以下几点：

1) 根据蜜蜂的觅食行为而得到；

2) 是全局优化算法；

3) 为了数值优化而设计；

4) 也可以用来求解组合优化问题；

5) 可以用于有约束的和无约束的优化问题；

6) 只使用了三个参数（种群数量，最大循环次数以及阈值），这些参数是用户事先确定的；

7) 非常的简单，具有柔性和鲁棒性。

人工蜂群算法源代码的获取

人工蜂群算法的源代码可以从下面两个地方获取：

1.http://mf.erciyes.edu.tr/abc/index.htm

这里面包含了JAVA、C、Matlab的源代码。我看过其JAVA的代码，感觉仅仅是利用了JAVA语言，没有用到多少面向对象的东西，所以如果按照http://blog.csdn.net/fashionxu/article/details/7823290 里面介绍的算法流程来看代码，还需要下点功夫琢磨琢磨。此处的源代码侧重于数值优化。

2.http://msdn.microsoft.com/zh-cn/magazine/gg983491.aspx