多策略离散人工蜂群算法设计FIR低通数字滤波器

针对人工蜂群(Artificial Bee Colony,ABC)算法在解决复杂问题表现出来精度不高以及收敛速度较慢的不足,提出了一种融合折射学习和Lévy飞行的多策略离散人工蜂群算法(Discrete Artificial Bee Colony Fusing Refraction Learning and Lévy flight,DABC-RL),用于设计有限长脉冲响应(Finite Impulse Response,FIR)低通数字滤波器,以期进一步提高其滤波性能。在DABC-RL算法中,一方面,Lévy飞行策略用于增强ABC算法的局部搜索能力,折射学习用于增强ABC算法的全局搜索能力;另一方面,通过设计合适的离散编码方案对DABC-RL算法中的候选解进行离散化,使其适合于设计FIR低通数字滤波器。为了测试所提的DABC-RL算法设计的FIR低通数字滤波器的性能,选取由ABC算法、基于折射学习的refrPSO算法所设计的FIR低通数字滤波器作为对比算法。实验结果表明,相比其他算法,DABC-RL算法所设计的FIR低通数字滤波器的性能最好,且获得了最快的收敛精度和收敛速度。

作业车间调度的邻域单次搜索人工蜂群算法

为了减少算法求解作业车间调度问题(Job Shop Scheduling Problem,JSP)时的无效重复搜索,以提高算法性能,提出一种邻域单次搜索人工蜂群算法(Single Neighborhood Search Artificial Bee Colony Algorithm,SNSABC)。在工序加工优先级的编码方式上结合JSP本身的特性设计邻域搜索策略,该策略采用了交换算子和路径重连算子配合搜索的方式。每次交换算子选择未被搜索过的位置搜索,在交换过程中跳过不能改变最大完工时间和已经做过的工序交换。若没有搜索到更优解,将搜索的位置标为已搜索。若搜索到更优解,将更优解进行路径重连。根据邻域搜索策略改进侦查蜂阶段,淘汰所有关键工序位置搜索完毕的解,用淘汰的解和种群中剩余的解分别交叉寻找更优解。在人工蜂群算法中加入所提策略,算法搜索效率和求解质量得到明显提升,能够快速搜索到可接受解,在大部分算例可以收敛到已知最优解。相比于对比算法,邻域单次搜索人工蜂群算法求得的最优解和均值具有更短的完工时间。实验结果表明所提策略有效提高了算法的性能。

基于窦性变异的改进人工蜂群白骨顶鸡算法及应用

针对白骨顶鸡算法(COOT)存在求解精度低、收敛速度较慢和易陷入局部最优的问题,该文提出一种基于窦性变异的改进人工蜂群白骨顶鸡算法(ICOOT)。首先,采用精英反向学习策略初始化个体位置,增加初始个体寻优多样性;其次,考虑到人工蜂群算法强大的搜索能力,提出一种以全局最优值引导的改进人工蜂群搜索策略,更新白骨顶鸡个体的位置,以提高COOT的搜索能力和收敛精度;最后,引入窦性变异策略对最优个体进行扰动,一方面使算法能够有效跳出局部最优,另一方面提高最优个体质量。利用12个基准测试函数对ICOOT进行寻优性能测试,将ICOOT应用于拉力/压力弹簧优化工程设计问题,并与其他元启发式算法进行了比较和分析,结果验证了改进的算法的可行性和优越性。

微阵列高维特征选择的多策略混合人工蜂群算法

传统的特征选择方法对于高维微阵列具有较大的局限性,难以准确高效地提出最佳特征子集。针对该问题,提出了基于wrapper的多策略混合人工蜂群算法,该算法混合了混沌反向学习策略、精英引导策略、Mantegna Lévy分布策略,分别在雇佣蜂与观察蜂阶段提出了两种新的搜索策略。针对于微阵列高维特征选择问题,提出新的平衡模型性能最优与特征子集规模最小化目标函数。实验结果表明:该算法能够达到较高的分类准确率,可在一定程度上取得特征子集规模最小化的目标,且优于GABC等改进算法与樽海鞘群等六种新型智能算法。

基于离散人工蜂群算法的云任务调度优化

针对现今云计算任务调度只考虑单目标和云计算应用对虚拟资源的服务的质量要求高等问题,综合考虑了用户最短等待时间、资源负载均衡和经济原则,提出一种离散人工蜂群(ABC)算法的云任务调度优化策略。首先,从理论上建立了云任务调度的多目标数学模型;然后,结合偏好满意度策略并引入局部搜索算子和改变侦察蜂搜索方式,提出多目标离散型人工蜂群(MDABC)算法的优化策略。通过不同的云任务调度仿真实验,显示了改进离散人工蜂群算法相对于基础离散人工蜂群算法、遗传算法以及经典贪心算法,能够得到较高的综合满意度,表明了改进离散人工蜂群算法能够更好地改善虚拟资源中云任务调度系统的性能,具有一定的普适性。

基于逻辑运算的离散人工蜂群算法

针对当前离散人工蜂群算法冗余度高、探索性能差、容易陷入早熟等问题,提出一种基于逻辑运算的离散人工蜂群算法.通过引入一系列的逻辑运算,一方面解决了当前离散人工蜂群算法中存在的解不更新问题,提高了算法的搜索效率;另一方面,很好地保证了搜索过程的中间解和最终解都封闭在原离散封闭集内,有效地避开了实数集与离散集间的映射问题.基于逻辑运算的离散人工蜂群算法计算简单、易于硬件实现,在基于图论着色理论的频谱分配模型上进行验证,取得了明显优于离散人工蜂群算法的收敛速度和优化性能.

基于离散人工蜂群算法的认知无线电频谱分配

针对二进制粒子群优化算法在认知无线电频谱分配中容易陷入局部最优等问题,将人工蜂群算法引入到认知无线电频谱分配中,提出了基于离散人工蜂群算法的认知无线电频谱分配方法。针对一种认知无线电网络模型,将离散人工蜂群算法中的蜜源位置离散化,与模型中的可用频谱矩阵相结合产生分配矩阵,对目标函数进行优化,并且使用了一种新的比例公平性目标函数评价该算法的性能;通过仿真比较了本文算法与二进制粒子群优化算法的频谱分配方法的性能,同时在使用电视频段的认知无线电系统进行了验证,结果表明本文算法的高效性和优越性。

求解TSP的离散人工蜂群算法

针对旅行商问题,提出了一种新型的离散人工蜂群算法.根据该优化问题及离散量的特点,对引领蜂、跟随蜂和侦查蜂角色转变机制和搜索策略进行了重新定义.蜂群角色转变基于定义的收益比因子.引领蜂邻域搜索采用2-Opt算子和学习操作来加速算法收敛速度;跟随蜂搜索引入禁忌表来提高算法的局部求精能力;侦查蜂搜索定义了排斥操作来保持种群的多样性,从而较好地平衡了算法的探索及开采能力.实验结果表明,算法能够在较短时间内找到相对满意解,提高了TSP的求解效率.

基于极值优化策略的改进的人工蜂群算法

为提高人工蜂群算法在求解优化问题中的性能,结合极值优化策略提出一种改进的人工蜂群算法。改进算法基于极值优化策略高效率的寻优机制重新设计了原算法中跟随蜂的局部搜索方案,并具体给出了新方案的组元变异算子和最差组元判定规则。通过对优化问题中8个典型测试函数的仿真实验表明,与基本人工蜂群算法和已有的典型改进算法相比,改进算法在寻优精度和收敛速度上均有明显提高,在优化问题求解中体现出较强的寻优能力。

基于自适应进化策略的人工蜂群优化算法

提出一种自适应进化策略的人工蜂群优化算法来提高基本人工蜂群优化算法的性能。算法中每个引领蜂拥有4种进化策略,在迭代过程中通过计算每种进化策略的立即价值、未来价值和综合奖励来决定引领蜂个体的进化行为,并通过多策略进化概率变异方式来提升个体寻优速度或避免陷入局部最优解。典型高维复杂函数测试表明,该算法具有很好的收敛精度和计算速度。

求解旅行商问题的离散人工蜂群算法

本文提出了一种新的求解旅行商问题(TSP)的离散人工蜂群算法(DABC)。以基本人工蜂群算法为框架,采用路径编码的方式,综合运用离散交叉算子,逆转算子,免疫算子和单/多步2-opt算子以帮助雇佣蜂,观察蜂和侦察蜂产生新食物源。选择TSPLIB中典型的TSP实例进行仿真实验,运用多项性能指标对DABC算法进行评估。实验结果表明本文算法是解决TSP问题的一种非常有效的新方法。

混合离散人工蜂群算法在齿轮传动优化中的应用

齿轮传动优化是一类典型离散约束优化问题(Constrained Discrete Optimization Problems,CDOPs)。根据等效优化原理,将CDOPs转化为约束非负整数规划问题(Constrained Non-Negative Integer Programming Problems,CNIPPs),并应用人工蜂群(Artificial Bee Colony,ABC)算法求解该问题。为克服基本ABC算法求解离散问题易发生进化停滞或早熟收敛的缺陷,提出一种混合离散人工蜂群(Hybrid Discrete ABC,HDABC)算法,以增强全局优化能力。该算法采用反向学习邻域搜索、差分进化算子和随机扰动变异等策略生成新蜜源。将可行性规则约束处理技术与HDABC算法结合,形成求解CNIPPs的离散优化算法。应用HDABC算法求解齿轮传动优化设计实例。通过测试与分析可知,新算法具有良好稳健性和可靠性,且所得结果优于对比算法。

基于多策略融合的改进人工蜂群算法

针对标准人工蜂群算法存在易陷入局部最优、收敛速度慢等缺陷,提出一种基于多策略融合的改进人工蜂群算法。为了避免陷入局部最优,引入可调压排序选择策略,以保证种群的多样性;同时,通过跟随蜂阶段将线性调整全局引导策略、自适应动态调整因子策略与标准人工蜂群算法的更新策略组成一个动态调整策略集,通过比较食物源的当前质量值与上次迭代质量值对动态策略进行调整,以加快算法的收敛速度。利用标准测试函数进行实验仿真,结果表明该算法不仅提高了求解精度,而且加快了收敛速度,迭代次数明显减少。

基于动态评价选择策略的改进人工蜂群算法

针对标准人工蜂群(ABC)算法易陷入局部极值的问题,对标准ABC算法的轮盘赌选择机制进行了修改,提出了一种基于动态评价选择策略的改进人工蜂群(DSABC)算法。首先,根据到当前为止一定迭代次数内蜜源位置的连续更新或停滞次数,对每个蜜源位置进行动态评价;然后,利用所得的评价函数值为蜜源招募跟随蜂。在6个经典测试函数上的实验结果表明:与标准ABC算法相比,动态评价选择策略改进了标准ABC算法的选择机制,使得DSABC算法的求解精度有较大幅度提高,特别是对于两种不同维数的Rosenbrock函数,所得最优值的绝对误差分别由0.0017和0.0013减小到0.000049和0.000057;而且,DSABC算法克服了进化后期因群体位置多样性丢失较快而产生的早熟收敛现象,提高了整个种群的收敛精度及解的稳定性,从而为函数优化问题提供了一种高效可靠的求解方法。

具有自适应搜索策略的混合人工蜂群算法

基本人工蜂群算法及其搜索策略侧重探索,为增强算法的开发能力,提出一种具有自适应搜索策略的混合人工蜂群算法。将目标函数值信息和最优解引导信息引入搜索策略,提出具有自适应机制、开发能力强的搜索策略;为防止"早熟"现象,利用三个不同随机食物源和高斯分布,设计出全局探索能力较强的搜索策略。将两个搜索策略在雇佣蜂阶段混合以平衡算法的探索与开发能力,在观察蜂阶段使用具有自适应机制、开发能力强的搜索策略以加快收敛。与基本及具有代表性的改进人工蜂群算法在20个标准测试函数中进行对比实验,结果表明所提算法具有更好的搜索能力和更快的收敛速度。

多策略混合搜索的人工蜂群算法

为解决基本人工蜂群算法收敛速度慢、开发能力不足的问题,提出多策略混合搜索的人工蜂群算法。在雇佣蜂阶段采用两个具有不同探索与开发特征的搜索策略,分配不同的混合比例,增加种群多样性;观察蜂阶段将精英解作为搜索起点,修改食物源选择方式,加快种群收敛。利用不同搜索策略的不同特征,以及合适的混合比例,实现算法在探索与开发之间的平衡。22个标准函数测试集的实验对比结果表明,提出算法在搜索精度、稳定性、收敛速度方面均优于其它算法。

基于随机搜索策略的人工蜂群算法

为避免人工蜂群算法陷入早熟,提出一种基于随机搜索策略的人工蜂群算法。进行搜索时,借鉴差分进化算法的交叉操作,采用随机选择的方式进行搜索,平衡算法的局部搜索能力和全局搜索能力,在搜索过程中加入一定扰动来增强种群的多样性。对8个基准函数的仿真结果表明,该算法具有较快的收敛速度、求解精度高、鲁棒性较强,适合求解高维复杂的全局优化问题。

一种改进搜索策略的人工蜂群算法

为克服人工蜂群算法原有搜索策略存在探索能力强而开采能力弱的缺点,受差分进化算法的启发,提出了一种新的搜索策略,在种群最优解的附近产生新的候选位置,有助于提高人工蜂群算法的开采能力。同时,为了平衡算法的探索和开采能力,将种群中的个体随机分成两组,每组采用不同的搜索策略同时寻优。对6个基准测试函数进行仿真的结果表明,改进的搜索算法相比基本人工蜂群算法能有效地改善寻优性能,增强算法摆脱局部最优的能力。

基于混合离散人工蜂群算法的阻塞Flow Shop调度

针对带阻塞的Flow Shop调度问题,以最小化总流水时间为调度目标,提出了一种混合离散人工蜂群(Hybrid Discrete Artificial Bee Colony,HDABC)算法。HDABC算法采用基于NEH和NEH变体初始化,保证种群的质量和多样性。在雇佣蜂阶段采用差分进化策略产生邻域个体;在跟随蜂阶段采用锦标赛选择方法选择个体跟随,并对选择的个体采用优化插入操作产生新的邻域个体。此外,在侦查蜂阶段再一次采用锦标赛选择方法选择个体,并对较好的个体执行破坏重建操作,用产生的新个体代替原来较差的个体。用正交设计方法调节了该算法的参数。通过与其他两个算法的仿真实验结果比较,验证了本文算法的优越性。

基于动态搜索策略的人工蜂群算法

为避免人工蜂群算法陷入早熟,提出一种基于动态搜索策略的人工蜂群算法,新算法改进了人工蜂群算法的搜索策略,将两种不同的搜索策略组合成新的搜索策略,以便动态利用两种不同搜索策略的优点,平衡了算法的局部搜索能力和全局搜索能力。基准函数的仿真实验表明,新算法收敛速度快、求解精度高、鲁棒性较强,适合求解高维复杂的全局优化问题。