一种转轴人工蜂群算法

为了提高人工蜂群(ABC)算法的局部搜索能力,加快其收敛速度,将Rosenbrock转轴搜索的方法引入ABC算法,提出了一种转轴ABC算法。该算法每隔一定的迭代次数,就在ABC算法找到的当前极值的邻域内用Rosenbrock方法进行一次转轴搜索,以引导算法找到函数值下降最快的方向。此外,新算法利用对立策略对算法随机产生的初始种群进行调整,得到了质量较高的初始种群。通过对几个标准测试函数的性能测试,验证了算法的快速收敛性和稳定性,说明对其的改进是可行且有效的。

精英区域学习的转轴人工蜂群算法

针对人工蜂群(ABC)算法在解决复杂优化问题时容易出现收敛速度慢、开采能力不足的问题,提出了一种精英区域学习的转轴人工蜂群(ERABC)算法。在ERABC算法中,通过执行区域学习方法构建精英池,并利用精英池改进其搜索策略,同时在每一代中以一定的频率对最优解执行转轴法(RM)局部搜索。在20个包含单峰、多峰和偏移函数的基准测试函数上,分析了ERABC算法中改进策略的有效性,并与多种新近的改进ABC算法和演化算法进行了比较实验。实验结果表明,提出的算法在保证精英池中个体多样性的同时加快了算法的收敛速度,RM有效地提高了算法的开采能力。

基于转轴法的导向人工蜂群算法

针对人工蜂群算法在求解复杂多峰问题时容易出现收敛速度慢、开采能力不足的问题,提出了基于转轴法的导向人工蜂群算法(RDABC).在RDABC算法的搜索过程中,利用方向引导信息来指导个体朝更优方向搜索,并对当前最优解执行转轴法局部搜索,以加快收敛速度.在8个标准测试函数上进行了比较实验,实验结果表明RDABC算法的求解精度更高,收敛速度更快.