人工蜂群算法改进

针对人工蜂群算法易陷入局部最优、收敛速度慢的问题,在算法中引入量子策略,设计蜂群系统中单个蜜蜂的势阱模型,模拟蜂群量子行为,提出一种具有量子行为的人工蜂群算法。改进的算法在算法前期保持了原算法中蜂群的多样性,后期使用量子策略增强了原算法的开采能力,提高了算法的收敛速度。最后,用标准测试函数进行测试。实验结果表明,改进的人工蜂群算法在保持原算法有效性的同时,大幅提高了算法的收敛速度和精度。     

算法参数对人工蜂群算法性能的影响

作为一种新兴的群体智能优化方法,人工蜂群算法在函数优化方面具有较好的优化能力。然而其收敛速度也受到控制参数的影响,为了考察算法各参数对其性能的影响,使用VS2010编写了一套标准人工蜂群算法,并选取两个标准函数作为测试对象,对这种影响进行了测试,最后给出了测试结论。     

人工蜂群算法的改进及应用

针对人工蜂群算法容易陷入局部最优值,收敛到最优解速度慢的缺点,通过使用固定步长和可变步长,定义采蜜蜂搜索食物源的公式,提出了一种改进的人工蜂群算法.对四个标准测试函数仿真表明该改进算法提高了算法的优化性能.为了改善数据挖掘中聚类算法效率,从人工蜂群算法评价函数入手,使用凝聚度函数、分散度函数,将改进的人工蜂群算法用于解决聚类问题,对三个数据集测试表明新算法在聚类准确率方面有一定提高.     

基于改进人工蜂群算法的配电网故障恢复

针对传统的配电网故障恢复算法收敛速度慢、易陷入局部最优的问题,提出了一种基于改进人工蜂群的配电网故障恢复方法。首先,跟随蜂按照适应度排序的选择策略(rank fitness selection)进行蜜源选择,此方法根据目标值将种群个体排序,按照个体的序位来选择蜂源个体,保持了种群的多样性,避免了早熟现象;进而,侦查蜂采用变邻域搜索算法,通过改变拓展结构集的搜索范围获取新蜜源,同时考虑到配电网故障恢复多目标函数搜索的难度,将目标函数归一化后采用层次分析法进行整合,变为单目标函数优化问题;最后,对整合后的目标函数在传统配电网与含分布式电源的系统中进行优化求解,得到供电恢复方案。算例分析表明:文中所提方法与传统人工群群算法相比,迭代次数均减少40%以上,综合目标函数最大可增大11.55%。     

基于人工蜂群算法的BP神经网络研究

BP神经网络具有实现非线性映射特点和较强的容错能力、泛化能力等优点。然而,因为其采用了最速下降梯度寻优算法,在实际应用中往往出现收敛速度缓慢、时常陷入局部极小值等缺陷。人工蜂群算法是受蜂群个体间通过相互协作对既定目标进行寻优的群体行为启发提出的一种新型群智能优化算法,具有很好的全局收敛特性,其次有较强的自适应性、协作性、鲁棒性、快速性等特点。文中探讨用人工蜂群算法来优化BP神经网络算法,进一步提高BP神经网络性能。     

一种改进的人工蜂群算法及其应用研究

针对传统的人工蜂群算法具有较强的勘探能力,但是算法局部开采能力较弱,演化后期收敛速度慢,容易陷入局部最优,提出了基于混沌算法和逆向学习算法相结合的初始化种群方法,有效改进种群的多样性;提出了一种新型的搜索策略来改进观察峰与侦察蜂的搜索过程,加快了算法的收敛速度;通过5个标准函数进行测试,文中算法在搜索效率、最优解质量、稳定性均优于传统的人工蜂群算法.     

人工蜂群算法在个人信用评分中的应用仿真

为建立有效的个人信用评分指标体系,提出一种改进的人工蜂群算法。算法利用粗糙集和信息论,构造初始解和适应值函数,减少蜂群搜索的盲目性;同时,采用遗传算法的基本变异算子进行邻域搜索产生新解,增加随机性,避免算法陷入局部最优。算法利用个人信用评分数据集进行仿真实验,对比实验表明:算法比其他特征选择算法能够得到更优的特征子集且所需参数最少。     

一种基于MapReduce的改进人工蜂群算法

针对现有序列聚类算法在对大规模数据进行聚类时,内存空间和计算时间开销较大的问题,提出了基于MapReduce的人工蜂群聚类算法。该算法通过引入MapReduce并行编程范式,快速计算聚类中心适应度,可实现对大规模数据的高效聚类。基于仿真数据对算法的聚类效果和聚类效率进行了验证。实验结果表明,与现有PK-Means算法和并行K-PSO算法相比,该算法具有更好的聚类效果和更高的聚类效率。     

人工蜂群算法在多元线性回归中的应用

提出了用人工蜂群算法解决多元线性回归问题.通过计算机仿真测试,表明人工蜂群算法在多元线性回归分析的参数估计问题中是有效的、实用的.     

基于改进混沌蜂群算法的无人战斗机路径规划

针对无人战斗机(uninhabited combat air vehicle,UCAV),在具有威胁战场上的路径规划问题,提出了一种基于Zaslavskii混沌的改进人工蜂群(artificial bee colony,ABC)算法,利用标准蜂群算法收敛速度较快,混沌运动的遍历性、随机性和对初值的敏感等特性,采用Zas...     

人工蜂群算法在高层建筑火灾逃生中的应用研究

为了最大限度地减少突发灾难带来的损失,研究了人工蜂群算法在提高高层建筑火灾逃生疏散效率中的应用。根据人工蜂群算法的基本原理和特点,结合火灾时期被困人员的个体差异和从众行为,利用采蜜蜂、侦察蜂、观察蜂的行为将趋光趋众两个疏散模型参数化,建立了高层建筑火灾中人员疏散的人工蜂群模型。利用简单规则实现对突发紧急情况下复杂的人员疏散行为模拟,以更加方便、合理而有效地指导人员疏散、逃生。     

求解全局优化问题的改进人工鱼群算法

针对人工鱼群算法的不足,提出一种改进的人工鱼群算法NAFAS。该算法对原有觅食行为进行改进,引进双高斯函数与其融合,使在寻优后期人工鱼群能快速逃离局部极值区域,从而提高全局寻优能力。与其它多种智能算法进行仿真测试并比较分析,结果表明,改进的人工鱼群算法搜索速度快、寻优精度高。     

基于GWO-ABC的混合算法研究

大多数种群优化算法面临的共同缺陷是全局搜索能力不足,易陷入局部最优解。文章基于灰狼优化算法和人工蜂群算法,引入混沌映射和OBL策略,提出了新型GWO-ABC混合优化算法。通过GWO-ABC算法优化了FOPID控制器的参数,仿真结果表明,该算法性能优于其它算法。     

基于多群竞争的改进人工鱼群算法

为了改进基本的人工鱼群算法的性能及更好地模拟自然界鱼群捕食的行为,该文提出了一种基于多群竞争的改进人工鱼群算法.算法中引入了多个鱼群,除了描述基本的鱼个体觅食行为外,鱼群间还存在竞争机制.TSP的数值实验表明了改进算法的可行性及更好的全局优化性.     

简单选择排序算法稳定性探究及其改进

稳定性是度量排序算法质量的一个重要指标。简单选择排序是一种常见的排序算法,但其稳定性存在较大争议。结合实例探讨经典简单选择排序算法稳定性,并进行改进,在时间复杂度和空间复杂度不变的前提下,提出一种稳定的简单选择排序算法。     

两种排序算法的改进

介绍了两种较为成熟的排序方法冒泡法和选择排序法,指出这两种排序方法都可在原来基础上实现双向排序。并以选择排序法为例,给出了新算法的算法思想、算法描述和算法的程序实现。通过分析算法的比较次数和移动次数得出结论:新算法和传统的排序算法方法同样简单,但排序效率相同甚至更高,均可作为实际排序和教学过程中的思路参考。     

混合差分蜂群算法求解带容量约束车辆路径问题

为求解带容量约束车辆路径问题,提出了一种差分算法改进的人工蜂群算法(DABC).针对人工蜂群算法开发能力较弱的缺陷,采用了全局最优解引导的邻域搜索策略.为避免早熟,引入差分算法的交叉更新策略进行局域优化.仿真实验结果证明,混合差分蜂群算法在求解带容量约束车辆路径问题时,能较好地平衡了探索能力和开发能力,在求解速度和稳定性上有良好的效果.     

排序算法的选择及一些改进

排序算法的种类繁多,本文指出了在实际应用中应如何选择排序某种算法,并且给出了几种排序算法的改进方法.     

改进人工鱼群算法及在函数优化问题中的应用

为改进AFSA优化精度低、运行时间长的问题,借鉴模拟退火算法中的Metropolis判别准则改进人工鱼的觅食行为,在利用人工鱼全局寻优的同时并利用模拟退火算子实施局部细化,提出一种改进的人工鱼群优化算法（SA_IAFSA）,并用于求解多峰函数的优化问题。仿真结果表明,该算法保持AFSA算法简单、易实现的特点,克服人工鱼漫无目的随机游动以及容易陷入局部最优值的缺点,显著提高算法的运行效率和求解质量。     

排序算法的比较、选择及其改进

排序是计算机科学中最重要的研究问题之一。在对常用的几种排序算法进行了综合比较的基础上,本文提出了在实际应用中如何选择排序算法的一般原则,同时也给出了一些算法的改进策略及其C语言实现。