Hybridizing Artificial Bee Colony with Bat Algorithm for Web Service Composition

In the Internet of Things(IoT),the users have complex needs,and the Web Service Composition(WSC)was introduced to address these needs.The WSC’s main objective is to search for the optimal combination of web services in response to the user needs and the level of Quality of Services(QoS)constraints.The challenge of this problem is the huge number of web services that achieve similar functionality with different levels of QoS constraints.In this paper,we introduce an extension of our previous works on the Artificial Bee Colony(ABC)and Bat Algorithm(BA).A new hybrid algorithm was proposed between the ABC and BA to achieve a better tradeoff between local exploitation and global search.The bat agent is used to improve the solution of exhausted bees after a threshold(limits),and also an Elitist Strategy(ES)is added to BA to increase the convergence rate.The performance and convergence behavior of the proposed hybrid algorithm was tested using extensive comparative experiments with current state-ofthe-art nature-inspired algorithms on 12 benchmark datasets using three evaluation criteria(average fitness values,best fitness values,and execution time)that were measured for 30 different runs.These datasets are created from real-world datasets and artificially to form different scale sizes of WSC datasets.The results show that the proposed algorithm enhances the search performance and convergence rate on finding the near-optimal web services combination compared to competitors.TheWilcoxon signed-rank significant test is usedwhere the proposed algorithm results significantly differ fromother algorithms on 100%of datasets.

Structural Damage Detection Using a Modified Artificial Bee Colony Algorithm

An optimization approach based on Artificial Bee Colony(ABC)algorithm is proposed for structural local damage detection in this study.The objective function for the damage identification problem is established by structural parameters and modal assurance criteria(MAC).The ABC algorithm is presented to solve the certain objective function.Then the Tournament Selection Strategy and chaotic search mechanism is adopted to enhance global search ability of the certain algorithm.A coupled double-beam system is studied as numerical example to illustrate the correctness and efficiency of the propose method.The simulation results show that the modified ABC algorithm can identify the local damage of the structural system efficiently even under measurement noise,which demonstrates the proposed algorithm has a higher damage diagnosis precision.

Service Composition Instantiation Based on Cross-Modified Artificial Bee Colony Algorithm

Internet of things(IoT) imposes new challenges on service composition as it is difficult to manage a quick instantiation of a complex services from a growing number of dynamic candidate services. A cross-modified Artificial Bee Colony Algorithm(CMABC) is proposed to achieve the optimal solution services in an acceptable time and high accuracy. Firstly, web service instantiation model was established. What is more, to overcome the problem of discrete and chaotic solution space, the global optimal solution was used to accelerate convergence rate by imitating the cross operation of Genetic algorithm(GA). The simulation experiment result shows that CMABC exhibited faster convergence speed and better convergence accuracy than some other intelligent optimization algorithms.

Application of artificial bee colony algorithm in Rayleigh wave inversion

In order to solve the problems of multi-parameter,multi-extreme and multi-solution in the nonlinear iterative optimization process of Rayleigh wave inversion,the artificial bee colony(ABC)algorithm is selected for global nonlinear inversion.The global nonlinear inversion method does not rely on a strict initial model and does not need to calculate the derivative of the objective function.The ABC algorithm uses the local optimization behavior of each individual artificial bee to finally highlight the global optimal value in the colony,and the convergence speed is faster.While searching for the global optimal solution,an effective local search can also be performed to ensure the reliability of the inversion results.This paper uses the ABC algorithm to perform Rayleigh wave dispersion inversion on the actual seismic data to obtain a clear undergrounding of shear wave velocity profile and accurately identify the location of the high-velocity interlayer.It is verified that the ABC algorithm used in the inversion of the Rayleigh wave dispersion curve is stable and converges quickly.

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。

Optimization and Parameters Estimation in Ultrasonic Echo Problems Using Modified Artificial Bee Colony Algorithm

The patterns of ultrasonic backscattered echoes represent valuable information pertaining to the geometric shape, size, and orientation of the reflectors as well as the microstructure of the propagation path. Accurate estimation of the ultrasonic echo pattern is essential in determining the object or propagation path properties. This paper proposes a parameter estimation method for ultrasonic echoes based on Artificial Bee Colony （ABC） algorithm which is one of the most recent swarm intelligence based algorithms. A modified ABC （MABC） algorithm is given by adding an adjusting factor to the neighborhood search formula of traditional ABC algorithm in order to enhance its performance. The algorithm could overcome the impact of different search range on estimation accuracy to solve the multi-dimensional parameter optimization problems. The performance of the MABC algorithm is demonstrated by numerical simulation and ultrasonic detection experiments. Results show that MABC not only can accurately estimate various parameters of the ultrasonic echoes, but also can achieve the optimal solution in the global scope. The proposed algorithm also has the advantages of fast convergence speed, short running time and real-time parameters esti- mation.

基于改进蜂群算法的建筑管路布局约束多目标优化设计

针对建筑空间管路布局约束多,难以定量分析设计中多指标冲突的问题,提出一种基于改进蜂群算法的建筑空间管路布局优化设计方法。首先,构建三维建筑管路布局模型,以管路总能量值(长度、弯头数量等)、管路避障等为优化目标,构建多约束目标函数。然后,针对传统蜂群算法容易陷入局部最优和难以保证种群多样性的问题,提出基于Levy飞行策略的改进人工蜂群算法,进行多约束下的建筑管路布局优化求解。所提算法在雇佣蜂的搜索阶段,引入Levy飞行策略,根据上一蜜源的能量值及迭代次数自适应调整更新步长,从而提高全局搜索能力并加快收敛速度。实验表明,所提方法比传统蜂群算法不仅在整体探索能力上得到了提升,而且得到的管路路径长度更短、弯头更少、能量值更低,能够满足真实建筑环境中理想管路自动布局的要求。

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。

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。

一种降低FBMC-OQAM系统PAPR的ASSABC-PTS算法

针对滤波器组多载波-偏移正交幅度调制技术(Filter Bank Multicarrier-Offset Quadrature Amplitude Modulation,FBMC-OQAM)存在峰均功率比(Peak-to-Average Power Ratio,PAPR)过高的问题,以及传统部分传输序列(Partial Transfer Sequence,PTS)算法对PAPR抑制效果不明显,提出了一种新的基于自适应搜索策略的人工蜂群部分传输序列算法(Adaptive Search Strategy Based Artifical Bee Colony PTS,ASSABC-PTS)。首先,根据FBMC-OQAM系统特性,利用传统PTS算法对系统进行初步优化,以降低FBMC-OQAM系统的PAPR;然后,针对PTS算法中存在的计算复杂度问题,引入人工蜂群(Artificial Bee Colony,ABC)算法进行优化;最后,在ABC算法中引入自适应搜索策略提升算法的局部寻优能力,加快ABC算法的收敛速度和搜索精度。仿真实验表明,ASSABC-PTS在有效降低系统算法复杂度的同时,也极大降低了FBMC-OQAM系统的峰均功率比。

改进人工蜂群算法求解置换流水车间调度问题

针对置换流水车间调度问题(PFSP),以最小化最大完工时间为优化目标建立数学模型,设计了一种改进人工蜂群算法。该算法采用反向学习方法和混沌映射来生成初始种群,为使算法能够求解离散的调度问题,采用LRV规则将位置数值映射成工件排列顺序;在雇佣蜂阶段,融入差分进化算法的思想,加入高斯变异算子,使收敛速度加快;在跟随蜂阶段,加入自适应策略,将算法的勘探和开发能力进行平衡;在侦察蜂阶段,加入柯西变异算子,避免陷入局部极值。最后通过比较几种不同的算法,对Car算例以及部分Rec标准算例集进行仿真测试,验证该算法的有效性和优越性。

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。

考虑多时间尺度的梯级水电站组合交易风险自适应感知方法

为了控制交易风险发生概率,规避交易风险,助力收益最大化,提出考虑多时间尺度的梯级水电站组合交易风险自适应感知方法。综合考虑多时间尺度,将梯级水电站交易方式划分为上下两层,各层利用多时间尺度的马尔科夫决策描述梯级水电站的交易过程,搭建梯级水电站组合交易序贯模型,并采用人工蜂群算法求解获取组合交易最佳策略,搭建基于条件在险价值的组合交易风险度量模型,给定置信水平,求解组合交易最佳策略的风险值,实现梯级水电站组合交易风险自适应感知。实验结果表明,所提方法能够选取最佳组合交易决策,决策后的水电出力可满足实际负荷需求,拥有理想的决策性能;能够感知各时间段内组合交易的风险值,且应用该方法后可有效控制交易风险发生概率,应用效果极佳。

基于多策略ABC算法的光伏MPPT控制

光伏阵列受到局部阴影的影响,其P-U特性曲线呈现多峰特性,采用传统最大功率跟踪算法易陷入局部最优。为保证光伏阵列输出最大功率,提出一种多策略融合的人工蜂群算法(MSFABC)。首先,一方面通过均匀化与随机化相结合的初始化策略以保证蜜源的多样性,另一方面执行精英个体引导和自适应权重因子调节的协同搜索策略,以平衡全局和局部搜索能力;其次,引入随机-定向的双变异策略,使蜂群个体根据其种类的角色特性发生相应变异,避免算法陷入局部最优;最后,将MSFABC算法应用于光伏MPPT中,与P&O、PSO和ABC算法对比。结果表明,静态和动态多峰条件下,MSFABC算法在保证较高跟踪精度的同时具有较快的跟踪速度以及较少的功率波动。

用于土壤分层电阻率模型反演的人工蜂群结合混沌搜索算子及混沌算法

土壤结构参数的测量与反演是接地设计中的重要环节。为此基于求解土壤分层模型电位分布的高阶复镜像法以及土壤模型结构反演的原理,开发了基于直接搜索法的土壤分层结构反演算法。进而在人工蜂群算法的基础上,加入混沌搜索算子和混沌池,提出了1种用于土壤分层结构反演的混沌池人工蜂群算法,增强了反演算法的局部搜索能力和全局搜索能力。计算表明,较用于反演土壤分层结构的遗传算法,提出的算法拥有更小的反演误差,最大可以将反演的均方根误差缩小到遗传算法的1/10。通过对比几种基于直接搜索的算法,证明了该算法在收敛速度以及寻优能力上的优势,比遗传算法更加适合作为土壤结构反演的算法。

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。

基于精英蜂群搜索策略的人工蜂群算法

针对人工蜂群(ABC)算法存在收敛速度慢、求解精度不高、容易陷入局部最优等问题,利用蜂群觅食过程中先由侦察蜂进行四处侦察食物,并利用蜂群搜索构建精英群体指导蜂群觅食寻优。据此,提出了一种模拟侦察蜂侦察觅食行为的基于精英蜂群搜索策略的连续优化算法。算法利用构建精英蜂群策略、改进侦察蜂搜索机制以及基于目标函数值选择寻优三个主要策略加强算法的搜索机制。数值实验表明,所提算法不仅寻优精度和寻优率非常高,且收敛速度快,并能适于高维空间的优化问题。

基于改进ABC算法的中长期电力负荷组合预测

将人工蜂群(ABC)算法应用到中长期电力负荷预测中,通过与组合预测模型相结合,对组合预测目标函数进行优化权重求解。另外针对该算法的早期收敛速度慢、后期容易陷入局部最优的缺点,通过引入扰动项,并进行最坏蜜源替代予以解决。实例分析证明该改进算法收敛速度快,全局寻优能力强。利用它求得的组合预测值,相对于单一模型的预测结果,精度有较大的提高,说明该改进算法应用到中长期电力负荷预测中是可行的。

具有混合群智能行为的萤火虫群优化算法研究

萤火虫群优化算法是一种新型的群智能优化算法,基本的萤火虫群优化算法存在收敛精度低等问题。为了提高算法的性能,借鉴蜂群和鸟群的群体智能行为,改进萤火虫群优化算法的移动策略。运用均匀设计调整改进算法的参数取值。若干经典测试问题的实验仿真结果表明,引入混合智能行为大幅提升了算法的优化性能。

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。