基于改进人工蜂群算法的柔性作业车间调度研究

为了提高制造业利润和用户满意度,提出了一种改进的人工蜂群算法,解决以加工成本和能耗成本之和为目标的单目标柔性作业车间调度问题。该算法采用一种有效的双层编码方式并结合随机方式和策略选择初始化雇佣蜂的蜜源用以生成质量更好的初始种群,提高了算法寻优能力。在寻优过程中,雇佣蜂阶段采用多父代交叉以及变异,保留优秀个体增加了雇佣蜂阶段种群的多样性;在跟随蜂阶段,采用了两种邻域搜索方式用以解决算法陷入局部最优。最后利用求解柔性作业车间的数据集进行对比实验研究,包括对传统人工蜂群算法的对比,以及对传统遗传算法的对比。对比表明:改进的人工蜂群算法不仅可以求解单目标柔性作业车间调度问题,而且收敛性好,迭代速度较快。

基于改进人工蜂群算法优化支持向量机的设备故障诊断方法

为了对煤矿井下带式输送机的核心部件滚动轴承的运行状态进行精确诊断,针对故障分类方法中支持向量机存在的惩罚因子确定困难的问题,引入交叉操作和全局最优解结合的改进人工蜂群算法,构建了故障诊断模型,通过仿真分析对比了改进模型与传统模型之间的差异性,仿真结果表明,改进的诊断模型能够快速精准地识别设备故障的类型,缩短了设备故障的诊断时间,提高了井下设备故障诊断的工作效率。

改进交叉算子的自适应人工蜂群黏菌算法

针对黏菌算法存在的收敛速度慢,易陷入局部最小值的问题,提出了一种改进交叉算子的自适应人工蜂群黏菌算法(ISMA).为了提高算法收敛速度,引入自适应可调节的反馈因子和改进的交叉算子;考虑到人工蜂群算法强大的搜索能力,引入改进的人工蜂群搜索策略,提高算法跳出局部最小值的能力.利用8个标准测试函数以及部分CEC2014测试函数对改进算法进行寻优性能测试,并加入基准测试函数的Wilcoxon秩和统计检测,仿真结果表明,改进的算法具有很好的鲁棒性.

基于交叉的全局人工蜂群算法的研究

人工蜂群(Artificial Bee Colony,ABC)算法在求解函数最优值时,存在后期收敛速度慢、易于陷入局部最优、疏于开发等问题.为了解决这些问题,对算法进行了深入研究,结合其他仿生智能优化算法的机制,提出了一种能有效提高收敛速度,增强算法开发性和全局寻优能力,并能有效避免种群个体陷入局部最优的算法——基于交叉的全局人工蜂群算法.选取7个标准测试函数进行实验仿真,结果表明,与ABC算法、全局最优人工蜂群算法(GABC)相比,基于交叉的全局人工蜂群算法(CGABC)的收敛速度及精度均有明显提高.

引入交叉变异机制的全局混沌人工蜂群算法

本文设计了交叉变异机制下的全局混沌人工蜂群算法,借鉴遗传算法引入交叉变异机制与全局最优值进行交叉操作来提高算法的探索和开发能力。为了验证所设计算法的有效性,选择8个基准函数对进行测试,并与基本人工蜂群算法和全局人工蜂群算法进行对比,实验结果显示所设计算法在收敛速度和精度上优于其他两种方法。

基于交叉突变算子的人工蜂群算法及其应用

人工蜂群(artificial bee colony,ABC)算法在解决多峰函数优化问题时经常会陷入局部最优,使得算法过早停滞,而在解决单峰问题时往往出现收敛速度过慢的问题。针对上述不足,为了进一步提高算法的优化性能,提出了一种基于交叉突变的人工蜂群(intersect mutation ABC,IMABC)算法。IMABC算法将整个蜂群依据其适应度值优劣进行划分,引入种群划分参数,对不同种群中的个体运用交叉突变算子,有效地平衡了种群的局部开采与全局探测能力,避免早熟收敛和提高收敛速度。从对基本函数的测试上可以看出,IMABC相对于GABC、IABC、ABC/best等改进的ABC算法,优化能力有了较大的提高。最后,将IMABC用于优化K-means算法,验证了该方法具有一定的实用性。

基于改进人工蜂群算法的灾害场景下路径规划

针对人工蜂群算法在以往研究中表现出探索局限性以及开发低效性等缺点,提出一种自适应收敛下的改进人工蜂群算法。该算法通过全域采样随机初始化保证初始解集完整性;选择概率计算中加入开采次数因子提升潜在较优解选中概率;结合余弦函数变化特点,对选中的个体进行全局最优个体引导下的自适应局部开发,提升局部开发精度。最后,通过不同灾害场景下与多个算法进行对比,结果表明改进后的算法具备更高的求解精度,更好的全局收敛性,能高效解决复杂灾害场景下的路径规划问题。

基于交叉算子的改进人工蜂群算法

针对人工蜂群算法存在后期收敛速度慢、局部搜索能力差和易陷入局部最优的问题,提出一种基于交叉算子的改进人工蜂群算法.该算法利用佳点集方法产生初始种群,使得初始化个体尽可能均匀地分布在搜索空间;随机选择食物源位置与当前最优食物源位置进行算术交叉操作,引导群体向全局最优解靠近,提高算法的局部搜索能力和加快收敛速度.通过5个高维标准测试函数的实验结果表明新算法的有效性.

全局最优引导的差分演化二进制人工蜂群算法

针对基本二进制人工蜂群算法开采能力弱、收敛速度慢的缺点,提出一种全局最优引导的差分二进制人工蜂群算法。算法仿照粒子群优化,将全局最优参数引入二进制人工蜂群算法中以提高开采能力;同时受差分演化算法中"交叉"操作的启发,提出多维邻域搜索方式,加快收敛速度。采用0-1背包问题进行仿真,实验结果表明与传统算法相比,提出算法不仅寻优能力增强且收敛速度明显提高。对于10维背包问题,提出算法的收敛速度比基本二进制人工蜂群算法提高近10倍。

基于改进人工蜂群算法的多阈值图像分割

图像分割在模式识别以及机器视觉方面起着至关重要的作用,是图像分析和识别的首要任务。但若分割后图像质量损失严重,就会导致图像后续分析的误差增加。为了能够弥补这一缺陷,在分析了DIRECT算法和人工蜂群算法的特性后,利用DIRECT算法全局收敛并可以快速定位到最优值所在区域的特点来改善人工蜂群算法的过早收敛以及局部搜索能力差的缺点,提出了一种基于改进的人工蜂群算法的多阈值图像分割技术。首先,DIRECT算法为人工蜂群算法提供一种良好的初始种群,种群在演化数代后得到的当前最优解加入到DIRECT算法分割区域中,再进行初始种群的筛选,重复这个过程进而获得最佳阈值并对图像进行分割。为了验证该算法的优劣性,使用峰值信噪比、结构相似性以及特征相似性作为图像质量评价指标并与前人得到的结果进行比较。实验数据表明,提出的阈值分割方法优于前人的阈值分割方法。

正弦选择概率模型的全局最优引导人工蜂群算法

针对人工蜂群算法收敛速度慢以及蜜源的选择概率区分度不够等缺点,提出了一种新的改进人工蜂群算法。依据当前最优蜜源、最差蜜源、当前蜜源建立正弦选择概率模型,并结合全局最优引导策略,构成新算法。概率模型以最优、最差蜜源适应值之差为尺度,衡量当前蜜源适应值所占比重,随后将比重值带入sin函数,即可得当前蜜源的选择概率值。在30、100维上,22个基准测试函数的仿真实验结果表明,正弦选择概率模型能克服后期蜜源区分度不够的问题,为观察蜂跟随雇佣蜂提供正确的引导。与知名的改进人工蜂群算法比较,该算法具有很好的优势。

求解约束优化问题的一种改进的交叉人工蜂群算法

针对人工蜂群算法在求解问题的最优值时后期收敛速度慢、易于陷入局部极值的问题,提出了求解约束优化问题的一种新型人工蜂群算法:为提高算法的开发能力,在采蜜蜂和观察蜂阶段利用约束松弛度来处理等式约束,并采用Kukkonen和Lampinen工作机制改进边界约束处理方法;在侦察蜂阶段引入交叉算子代替侦察阶段的随机搜索,保证种群的多样性,提高算法的收敛速度。一组13个基准函数和4种工程设计问题的测试试验验证了算法的可行性和有效性,改进的交叉的人工蜂群算法在求解约束优化问题时其可开发性、鲁棒性、防局部最优、收敛速度和极值等方面较其他算法更优。

人工蜂群算法在电网储能系统管理中的运用

人工蜂群算法是一种全局搜索的优化算法,对于电网储能系统管理具有重要作用。该优化算法能够更加精准地控制和管理电网储能设备,以缜密的搜索计算得到问题最优答案,而后将其应用在储能系统设备中,保证电网储能系统的高效、稳定和协同运行,提升整体工作效率。本文探讨了人工蜂群算法对电网储能系统管理的作用,提出具体化的实践策略。

基于全局信息的人工蜂群聚类算法

针对人工蜂群算法易陷入局部最优和收敛速度慢的不足,提出了一种基于全局信息的人工蜂群聚类算法.基于全局信息的人工蜂群聚类算法通过加入食物源平均丰富度(richness),利用中间聚类效果,更好地更新食物源;并且通过引入全局最优信息,提高跟随蜂的搜索效率,以获取聚类问题的全局最优解.同时在UCI机器学习库的4个标准数据集上进行了大量的实验来评估算法的性能.并将该算法和基本人工蜂群算法、粒子群算法和Kmeans算法进行比较.实验结果证明提出的基于全局信息的人工蜂群聚类算法具有更好的性能.

一种带搜索因子的全局最优人工蜂群算法

针对全局最优人工蜂群算法(GABC)搜索迭代过程中未充分考虑到全局优化和局部优化在优化过程中的作用,在一定程度上降低了算法的全局搜索能力,容易陷入局部最优解的问题,提出了一种带搜索因子的全局最优人工蜂群算法(HF-GABC)。在最优人工蜂群(GABC)算法中引入了可以随着优化过程动态搜索的因子,在算法的全局搜索过程和局部搜索过程中进行动态搜索。应用改进的算法对4个标准测试集函数进行仿真试验,并与ABC算法、GABC算法的结果进行比较。实验结果表明:带搜索因子的人工蜂群算法收敛性能优于ABC和GABC算法,有效降低了局部收敛的可能性,并且提高了搜索精度。

基于改进全局人工蜂群算法的WSN节点定位研究

无线传感器网络(Wireless Sensor Network,WSN)系统性能的提高,离不开对WSN中每一个传感器节点地理位置的精准定位。全局人工蜂群算法在基本人工蜂群算法的基础上,在邻域搜索后将迭代最优解添加到新解的更新公式中,提高了算法的开发能力。但将其应用于WSN节点位置求解时,存在计算时间长、收敛不稳定的问题。提出一种改进的全局人工蜂群算法,在邻域搜索后对新解进行衡量,若新解适应值在可接受的范围内,与迭代最优解进行交叉操作;若新解适应值较好,不与迭代最优解进行交叉操作;若新解适应值较差,舍弃新解。这较好地平衡了算法的探索和开发能力。求解WSN节点位置时,证明了该算法有更快的收敛速度和更好的收敛效果。

具有学习及十字交叉搜索的人工蜂群算法

为克服人工蜂群算法搜索策略的局部搜索能力较弱且计算资源分布不均匀等缺点,提出了一种改进人工蜂群算法。首先对雇佣蜂和瞭望蜂,分别设计了新搜索策略,提高了在精英解和全局最好解邻域内的搜索能力;其次对依概率选取的瞭望蜂,采用局部学习策略,加快了收敛速度并增强了全局寻优能力;最后为平衡全局搜索和局部开发,利用十字交叉搜索增强瞭望蜂和全局最好解的局部搜索能力,维持了种群多样性,从而避免了早熟收敛现象。对10个标准测试函数和30个CEC2014测试函数集进行仿真实验,并与四种人工蜂群算法和两种非人工蜂群算法进行比较,结果表明改进的人工蜂群算法全局寻优能力强且提高了收敛速度和精度。

基于全局最优解和随机采样的改进人工蜂群算法

为进一步提高人工蜂群算法的收敛速度、开采能力,提出了基于全局最优解和随机采样的改进人工蜂群算法.算法在跟随蜂阶段采用全局最优引导与完全随机采样相结合的高斯搜索策略,以加快算法的收敛速度,平衡探索和开采能力,避免陷入局部最优.在侦察蜂阶段引入包含被遗弃蜜源信息的高斯方程产生新蜜源,加快搜索速度.在12个基准测试函数上进行了比较实验,实验结果表明该改进的算法求解简单函数时,收敛速度更快,求解较复杂的函数时,解的精度和稳定性得到一定的提高.

基于一致分布佳点集改进的交叉人工蜂群算法

目的针对人工蜂群算法在求解问题的最优值时,后期收敛速度慢、易于陷入局部极值的问题,利用数论中的佳点集和一致分布原理,结合其他仿生智能优化算法的机制对人工蜂群算法进行了深入的改进,提出了一种基于一致分布佳点集改进的交叉人工蜂群算法(CGABC)。方法首先,利用数论的一致分布佳点集原理建立算法的初始化模型,以保证种群在搜索空间的均匀分布;然后,通过交叉方式进行迭代更新位置,以维持种群的多样性,防止算法陷入局部最优;最后,通过实验选取了4个工程问题和7个标准测试函数进行实验仿真。结论结果表明,与ABC算法、GABC算法等其他算法相比,CGABC的收敛速度及精度均有明显提高,增强全局寻优能力,有效地避免种群个体陷入局部最优,解决了多模态的优化问题。

基于二项式交叉改进的人工蜂群算法

为了克服人工蜂群算法容易过早收敛和在接近全局最优时搜索速度变慢、疏于开发的缺陷,提出一种基于二项式交叉改进的人工蜂群算法.改进算法引入全局最优值,通过二项交叉将邻域搜索的最优值与全局最优值进行比较,以加快算法的收敛速度,提高算法在最优解附近的开发能力.通过7个基准函数进行仿真测试发现:和标准的人工蜂群算法相比,改进的人工蜂群算法有较好的收敛速度和收敛精度,有效提高了原算法的全局寻优能力,且并未大量增加算法的复杂度,是一种有效的优化算法.