基于人工蜂群算法的边坡最危险滑动面搜索

将用于连续数值优化问题的人工蜂群算法引入边坡稳定分析临界滑动面搜索领域。该方法模拟了蜂群的群体协作采蜜过程,具有自适应收敛的特点,克服了传统方法容易陷入局部最优的缺点,是一种全局优化算法。为进一步改善其在复杂边坡搜索中的效果,将Hooke-Jeeves模式搜索操作引入人工蜂群算法,提出一种用于边坡临界滑动面搜索的模式搜索人工蜂群算法。对土石坝、海堤等4个实例边坡的计算结果表明,人工蜂群算法是一种简洁、高效的边坡临界滑动面搜索方法;对于复杂边坡,所提出算法具有更高的收敛精度和可靠性,为边坡稳定分析临界滑动面搜索和最小安全系数的计算提供了一种新的全局求解策略。

具有混沌差分进化搜索的人工蜂群算法

针对人工蜂群算法的不足,结合差分进化算法中的变异思想,提出一种改进的人工蜂群算法。其基本思想是在标准人工蜂群算法中观察蜂更新蜜源的阶段,使用差分进化算子对蜜源进行更新,在差分变异算子中引入混沌序列,以提高观察蜂在此阶段的局部搜索能力,最终获得最优蜜源。仿真结果表明,引入混沌差分进化搜索的蜂群算法无论在解的求解精度上还是算法的收敛速度上均优于标准人工蜂群算法,适合于复杂函数的全局优化问题。

基于改进人工蜂群算法的移动机器人路径规划研究

为了进一步提升基于人工蜂群(artificial bee colony,ABC)算法机器人路径规划的科学性,文章在建立路径规划实验模型基础上在ABC算法中引入了混沌映射产生初始解和反轮盘赌机制进行并行选择,提出等距分布式并行搜索,同时在全局更新机制中引入势场作用,进而得到了一种改进人工蜂群的(improved artificial bee colony,IABC)算法。将IABC算法应用于路径规划,并利用Taguchi正交试验选取实验参数值与目标函数参数值进行基于ABC算法与IABC算法的路径规划对比实验,实验结果表明,IABC算法规划出的路径质量较佳,能够提升规划效率。

基于boltzmann选择策略的人工蜂群算法

人工蜂群算法(ABC)是一种基于蜜蜂行为的优化算法。基于Boltzmann选择机制提出了一种改进的人工蜂群算法(BABC)用来优化多变量函数。BABC算法使初始群体均匀化;采用Boltzmann选择机制来代替轮盘赌以防止算法过早收敛。经过实验证明,该算法具有全局搜索能力好,收敛速度快,参数设置少等优点。

金团簇结构的人工蜂群算法研究

采用具有群体智能的蜂群优化算法(ABC)结合半经验Gupta原子间相互作用势对金团簇Au_n(n=2~100)的稳定结构、结合能(Eb)、平均结合能(Eab)、平均间距(ra)、对称性(PG)、一阶差分(ΔE1)和二阶差分(ΔE2)进行了研究.结果表明:一、ABC算法在中小尺度团簇上具有良好的全局寻优能力,其与遗传算法(GA)、动态格点搜索(DLS)等算法结果吻合非常好,当团簇尺度增大时,与其它算法一样,标准ABC算法的全局最优搜索能力也逐渐减弱;二、ABC算法中三参数取值对最优解获取有直接影响,当团簇尺度n小于60时,中等参数值即能获得最优解,当n大于60时,为平衡计算时间和精度,较大的最大迭代次数(g_(max))、中等或偏小的可行解尺度(SN)和最大侦查蜂数目(glimit)取值是一种较好的选择;三、通过对ABC和文献结果比较,几个金团簇的新低能结构被提出和确认,另外,本文首次对Au_(91)~Au_(99)进行了系统描述.

基于云模型蜂群算法的无人机航迹规划

针对无人机(UAV)在复杂战场环境下的生存问题,提出了一种基于云模型的人工蜂群算法的航迹规划。在算法中引入一维正态云模型,利用云模型随机性和稳定性的特点来提高传统人工蜂群算法(ABC)的鲁棒性并避免陷入局部最优,同时引入一个新的概率选择策略来保证种群的多样性。采用改进算法来处理UAV的航迹规划问题时,首先将航迹规划问题通过建模转换成一个多维函数优化问题,然后结合云模型和ABC算法的优势,最后用UAV航迹规划任务对新算法进行测试。仿真实验验证了改进算法在解决UAV航迹规划上的可行性和优越性。

基于人工蜂群算法的多角度遥感影像分类

人工蜂群(artificial bee colony,ABC)算法在最优化领域有广泛的应用,但在遥感影像分类应用中研究较少。通过使用ABC算法构建基于规则的分类系统,对塔里木河中下游多角度遥感观测数据构建的多维数据集进行分类,生成决策规则集;并与最大似然分类法(maximum likelihood classification,MLC)、C4. 5决策树法和支持向量机(support vector machine,SVM)分类结果进行比较。结果表明,ABC算法总体分类精度高于MLC和C4. 5,但低于SVM。通过对规则中分类属性的频数分析,证明使用ABC算法可有效发现多角度数据观测结果与不同土地覆被类型之间的关系。

结合人工蜂群优化的粗糙K-means聚类算法

粗糙K-means聚类算法具有较强的处理边界不确定数据能力,但该算法也存在对初始聚类中心选取敏感,以及采用固定权重和阈值方式而导致聚类结果不稳定、精度下降等问题。许多研究工作从不同角度致力于解决这些问题。引入人工蜂群算法(ABC)从三方面对算法进行了改进:首先,以下近似和边界集中数据对象个数与对象在数据集中空间分布的差异性乘积的比值为基础,设计了一种更为合理的动态调整下近似和边界集的权重方法。其次,为加快算法的收敛速度,给出了一种与迭代次数相关联的自适应阈值ε的实现方法。最后,通过构造蜜源位置的适应度函数,引导蜂群向高质量蜜源全局搜索,把蜂群每次迭代得到的最优源位置作为初始聚类中心,并在此基础上进行交替聚类。实验结果表明,改进后的算法提高了聚类结果的稳定性,获得了较好的聚类效果。

基于粒子群与蜂群结合的算法求解含风电场电力系统经济调度问题

提出一种新的混合智能算法解决含阀点效应和系统约束的含风电场的电力系统经济调度问题,将蜂群中的觅食行为与聚群行为引入改进的粒子群,提出改进粒子群-蜂群混合智能算法.在算法上进行优化,大大地提高搜索的能力,从而使结果更优.通过引入交叉策略,对那些速度保持不变的点,重新赋值.以一定的比例选拔最优点,其中选拔出的最优点,不止一个.同时精英策略的采用,有利于加强全局寻优,跳出局部最优,从而使算法得到很大的改善.最后对一个10机系统的算例进行求解,通过与改进的粒子群算法、蜂群算法进行比较,验证了改进的粒子群-蜂群混合智能优化算法在解决含风电场的电力系统经济调度问题中的有效性与优越性.

改进的人工蜂群算法在函数优化问题中的应用

人工蜂群算法是近年来新提出的一种优化算法。针对标准人工蜂群算法的局部搜索能力差,精度低的缺点,提出了一个改进的人工蜂群算法,利用全局最优解和个体极值的信息来改进人工蜂群算法中的搜索模式,并引入异步变化学习因子,保持全局搜索和局部搜索的平衡。将改进的人工蜂群算法在函数优化问题上进行测试,结果表明改进的人工蜂群算法优于原算法。

基于人工蜂群算法的大坝变形支持向量机预测模型

为了解决支持向量机(SVM)参数优化方法在大坝变形预测中易陷入局部最优解的问题,利用人工蜂群(ABC)算法的强全局优化能力、强鲁棒性特点,将人工蜂群(ABC)算法运用到SVM参数优化中.将惩罚因子C和核函数σ作为ABC算法中的蜜源位置进行寻优,并运用到大坝的变形监测中.结果表明,基于人工蜂群算法的大坝变形支持向量机预测模型能够克服局部最优解,提升模型的拟合与预测精度.

具有Lévy飞行和反向学习的增强型人工蜂群算法

针对人工蜂群算法(artificial bee colony,ABC)存在寻优精度不高、收敛速度较慢、容易被局部极值吸引的不足,提出一种具有Lévy飞行和反向学习(opposition-based learning,OBL)策略的增强型人工蜂群算法(enhanced artificial bee colony algorithm with Lévy flight and opposition-based learning strategy,ELOABC)。首先,在雇佣蜂和观察蜂阶段,引入Lévy飞行改进新产生的解,由于Lévy飞行具有随机步长性,因此可以避免算法陷入局部最优;其次,在侦查蜂阶段,变异解由停滞解和当前最优解的位置决定,再结合反向学习策略生成变异解的反向解,保留两者中更好的解以提高算法解的精度;最后,利用15个基准测试函数对增强型人工蜂群算法的性能进行实验测试。实验结果表明,改进算法性能明显优于其他算法。

基于改进人工蜂群算法的磁轴承PID控制器参数优化

为减小电磁轴承中气隙控制中非线性的影响,将人工蜂群(ABC)算法用于电磁轴承控制器参数优化,以改善算法的优化速度和收敛性,为了提高算法的收敛速度和精度,将搜索方程改进型算法应用于系统之中,获得的优化参数用于磁浮轴承的比例积分微分(PID)控制器,通过仿真和实验验证了该改进型算法的有效性。

基于人工蜂群算法的海上风机TMD振动控制研究

海上风机(OWT)因其高度大、横截面小,在风、浪联合作用下极易产生振动和变形.目前工业建筑领域常用的被动控制方法,如调谐质量阻尼器(TMD)、多重调谐质量阻尼器(MTMD)、调谐液体柱型阻尼器(TLCD)等被广泛应用于控制海上风机在极端和疲劳工况下的结构反应.针对5 MW导管架式海上风机结构开展被动控制研究,建立了随机激励作用下海上风机一阶弯曲自由度和TMD水平运动自由度的两自由度简化数值仿真模型,以塔筒顶部位移标准差为优化目标,利用人工蜂群(ABC)算法对TMD的刚度及阻尼参数进行优化.在FAST中建立了空气动力-水动力-结构动力-控制系统整体耦合仿真模型并进行动力分析,对优化后的单频TMD在正常和停机工况下的适用性及其减振机理进行研究.结果表明:基于两自由度简化模型并以人工蜂群算法优化后的TMD可有效降低塔筒顶部位移标准差;在停机工况下,塔筒顶部位移的主控频率为海上风机基频,所提出的TMD简化优化设计模型是合理的,可用于开展对导管架式海上风机一阶模态的TMD参数优化设计;在正常工况下,塔筒顶部位移的主控频率为风频,在此工况下海上风机响应的控制需要考虑风、浪随机激励的影响.

改进人工蜂群算法在二维Otsu图像分割中的应用

为了迅速准确的分割图像,通过对传统蜂群算法选择蜜源方式和缺陷蜜源的调整,提出了一种基于改进的人工蜂群算法分割二维Otsu图像的新方法.此方法把图像阈值由人工蜂群算法中的蜜蜂表示,通过引领蜂、侦查蜂和跟随蜂之间的信息共享和分工协作来求出最佳阈值,成功解决了传统二维Otsu图像分割计算量大、运行时间长的缺陷.实验结果表明,所提出的算法不仅能得到理想分割结果,而且分割速率快.

结合JADE和CoDE差分算子的人工蜂群算法

人工蜂群算法(ABC)具有良好的全局探索能力,但局部利用能力较弱。与此相反,差分进化(DE)具有 良好的局部利用能力,但全局探索能力较弱。鉴于此,提出了ABC和DE结合算法 AMDABC。AMDABC 遵循人工蜂群算法的框架,包括雇佣蜂阶段、跟随蜂阶段和侦查蜂阶段。在雇用蜂阶段引入了两个DE算子 (JADE算子、CoDE算子),同时给出两个控制参数,根据控制参数的值自适应地交替执行CoDE算子、JADE算 子或ABC搜索方程,以达到全局探索能力和局部利用能力的平衡。在跟随蜂阶段,同样结合JADE差分算子 产生候选解,以更好地解决ABC算法局部利用能力弱的问题。在19个标准函数上的实验结果表明,AMDABC 算法性能优于典型ABC算法、典型DE算法、典型ABC和DE结合算法。

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。

极值个体引导的人工蜂群算法

针对目前人工蜂群算法(ABC)在求解函数优化问题时存在开发能力差、易陷入局部最优、收敛速度慢等问题,提出了一种极值个体引导的人工蜂群算法(EABC)。首先,该算法在雇佣蜂和跟随蜂的搜索中利用全局极值个体和邻域极值个体引导搜索,全局极值个体引导搜索有利于种群中优良个体的保留和发展,使算法跳出局部极值,避免早熟收敛。邻域极值个体引导搜索有利于增强搜索精度,提高算法的收敛速度,并通过随机数r平衡两种搜索机制。其次,在搜索过程中引入小概率变异算子,对蜜蜂个体的各维度以较小的概率进行变异,克服算法陷入局部极值并出现早熟收敛的现象。最后,采用基于目标函数值的贪婪选择策略,提高算法的优化性能;采用28个测试函数进行仿真实验,并与其他几种算法进行比较,实验结果表明改进算法具有较高的优化性能和较快的收敛速度。

基于MapReduce和改进人工蜂群算法的并行划分聚类算法

针对大数据背景下基于划分的聚类算法中存在参数寻优能力不佳、初始中心敏感、数据倾斜等问题,提出一种基于MapReduce和人工蜂群(artificial bee colony,ABC)算法的并行划分聚类(the partitioning-based clustering algorithm by using improve artificial bee colony based on MapReduce,MR-PBIABC)算法。首先,提出基于反向学习和聚类准则函数的初始化策略(backward learning and the clustering criterion function,BLCCF),提升人工蜂群算法搜索的解质量,并将ABC算法和人工鱼群(artificial fish colony,AFS)算法结合,提出改进人工蜂群(improve artificial bee colony,IABC)算法,通过利用AFS算法最优解能力较强的特性,来提高ABC算法的寻优能力;其次,根据改进的人工蜂群算法IABC获取初始聚类中心,提出相对熵策略(relative entropy strategy,RES)衡量人工鱼间的距离,保证获得的初始聚类中心是最优人工鱼状态,从而有效避免了随机选取初始聚类中心,引起的初始中心敏感的问题;再次,设计数据均衡策略(data balancing strategy,DBS),通过动态收集节点负载并分配节点间的负载,解决了节点上数据倾斜的问题;最后,结合MapReduce计算模型,并行挖掘簇中心,生成最终聚类结果。实验结果表明,MR-PBIABC算法的聚类效果更佳,同时在大数据环境下,能有效地提高并行计算的效率。

基于ABC算法的非对称转向机构两轮转向优化

为了减小四向叉车非对称转向机构两轮转向过程中的行驶阻力、轮胎磨损及横向转向油缸所受的侧偏力，建立非对称转向机构两轮转向的运动数学模型，以接近Ackermann理想两轮转向为优化目标，建立非对称转向机构两轮转向的优化模型，采用人工蜂群（ABC）算法优化非对称转向机构的尺寸和定位参数，同时提出将横向转向油缸的右、左油缸有效作用面积比K作为优化参数。仿真结果表明，优化后的非对称转向机构两轮转向的整体性能提高43．7％，具有一定的工程应用价值。