安徽两种蜜蜂种群的春季繁殖及数量动态特征

1997～ 1999年在皖中和皖西、皖南山区对意大利蜜蜂 (ApismelliferaLigusticaSpi.)和中华蜜蜂(ApisceranaceranaFeb .)种群数量动态进行系统观察研究 .结果表明 ,蜜蜂种群数量明显受气候和蜜粉源植物的影响 ,周年呈现“两高”(春、秋 )和两低 (夏、冬 )的变化模式曲线 ;意大利蜜蜂春繁及秋季更新速度明显快于中华蜜蜂 ,但越夏效果不及中华蜜蜂 .意大利蜜蜂的性比值为 (314.4± 2 89.9)∶1～ (32 9.4± 30 5 .8)∶1,中华蜜蜂为 (334.2± 2 35 .5 )∶1～ (413 .1± 377.2 )∶1,雄蜂呈季节性出现 .蜜蜂种群内年龄组配在不断变化 .

混沌蜜蜂双种群进化遗传算法

利用混沌运动的遍历性、随机性和规律性等特点,提出混沌蜜蜂双种群进化遗传算法。该算法在基于蜜蜂双种群进化遗传算法的基础上,利用混沌优化进行改善初始种群质量和利用混沌退化变异算子代替常规算法中的变异算子,避免搜索过程陷入局部极值。实验结果表明,该算法计算速度快、收敛性好,提高了常规遗传算法的收敛速度和优化效果。

基于蜜蜂双种群进化机制的云自适应遗传算法

为了提高传统自适应遗传算法的鲁棒性,受蜜蜂双种群进化的机制启发,把雄蜂通过竞争参与交叉及雄蜂与决定双蜂群优秀遗传基因的蜂后交叉的机制引入算法中,再利用正态云模型云滴的随机性和稳定倾向性特点,提出了基于蜜蜂双种群进化机制的云自适应遗传算法。算法由正态云模型的Y条件云发生器及蜂后参与的方式实现交叉操作,基本云发生器实现变异操作。函数优化实验和暴雨强度公式参数优化的仿真结果表明了算法的有效性和可行性。

基于蜜蜂双种群进化型云自适应遗传算法的电力系统多目标无功优化

针对遗传算法在求解多目标无功优化方面存在的缺陷,文章提出了基于蜜蜂双种群进化型云自适应遗传算法(double bee population evolutionary cloud adaptive genetic algorithm,BEPE-CAGA)。该算法根据蜜蜂双种群进化思想,引入了雄峰通过竞争参与交叉及雄峰与决定双峰群优秀遗传基因的蜂后交叉的策略,并结合正态云模型云滴的随机性和稳定倾向性特点对其进行改进,改善了算法陷入早熟的问题,提高了算法的收敛速度。建立了以有功网损最小、电压偏差最小及电压稳定裕度最大为目标的无功优化数学模型,并以BEPE-CAGA算法求解该模型。最后通过对IEEE14和IEEE30节点系统进行算例仿真,仿真结果验证了文章所提算法的有效性,同时也证明了该算法在收敛速度和优化效果上具有比基本GA算法和CAGA算法更佳的性能。

蜜蜂双种群进化机制背景下云自适应遗传算法分析

主要分析了蜜蜂双种群进化机制背景下云自适应遗传算法卡,通过观察和分析我国传统雌雄蜜蜂在竞争和交叉中优秀群种遗传基因的蜂后交叉机制,针对优秀群种种植蜂后交叉机制计算进行研究,在当前计算机技术水平下,应该要如何提高传统雌雄锋竞争和交叉的质量,不断将优秀群种遗传基因扩散,最后,提出一种基于蜜蜂双种群进化机制的云自适应遗传计算方法,通过函数优化实验和暴雨强度公式参数优化的仿真研究,指出这种机制算法的可行性和可靠性。

蜂王之死

蜂王不明原因的死亡造成了中华蜜蜂种群的减少，蜂王之死究竟是何原因。