论文部分内容阅读
摘 要：群体智能解决了很多大型复杂的实际问题，作为新兴的群体智能算法——人工蜂群算法，以突出全局搜索优势，大大提高了需求最优解的可能性，被越来越多的学者用于研究。本文介绍了自然界蜂群的生物背景，人工蜂群算法的流程，以及人工蜂群算法通过比较修改、杂交的进行优化的研究方式。最后对人工蜂群从算法缺点分析可改善的方面。
关键词：人工蜂群算法 群智能 觅食行为 研究现状
一、ABC算法原理
自然界中的鱼类、鸟类、羊群、包括蚂蚁群、蜂群等，它们有个共同的特点——都是群居生物。这样的生物群体结构简单，每一独立个体都有不受约束随机活动的共性。群体中个体行为与个体之间的自组织行为的相互作用产生了群体智能SI，它具有自组织、分工、信息传递等特点，使群体总体呈现复杂的生物行为。各专业学者大量开始研究生物群体能呈现复杂生物行为的原因，利用计算机仿真可循规律，并利用群体智能行为能解决的问题例如交配、觅食、舞蹈、导航、任务选择等与实际工程领域中的问题具有很强相对性的特点，发展了很多更好解决优化问题的新方法。群智能算法是一个模拟自然生物的随机优化算法，将个体行为模拟为搜索解过程，将环境适应性模拟为求解目标函数的度量值，将觅食过程模拟为利用更优解替换先前解的过程，形成了“生成+检验”的迭代搜索过程。蜂群算法是典型“生成+检验”的迭代搜索过程的算法，该算法的突出优点为每次迭代都进行一次全局搜索，大大增加找到最优解的概率。
在自然界中的蜂群中，有蜂后，雄蜂和工蜂三种蜜蜂。蜂后是蜂群中唯一可以繁殖的母蜂，一生只交配一次。蜂后产卵活动取决于蜂群的情况，蜂群缺乏食物资源时，蜂后产新卵；蜂群过于拥挤时，蜂后停止产卵。一个成年蜂后取决蜂群状况每年可产175000～200000个卵。雄蜂的主要任务是使蜂后受精，生命不超过六个月。与蜂后交配后就会死去。工蜂在蜂群中进行主要活动，负责觅食、储存、保护蜂巢等。任务基于工蜂寿命和群体需要决定。信息交流是蜜蜂集体性意识形成的重要过程，信息交流最集中的部分在蜂巢的舞蹈区域。蜜蜂采蜜时，将食物资源的信息例如资源丰富度、方向和距离等信息储存，在卸载花蜜后在舞蹈区域进行舞蹈行为，将对于食物的信息分享给其他蜜蜂。观察蜂通过观看采蜜蜂的舞蹈，评估最有价值的蜜源，跟随采蜜蜂开采花蜜或开发附近蜜源。通过这样的觅食行为，使蜂群获得最优蜜源。
蜂群觅食模型主要有三个要素——蜜源、采蜜蜂和追随蜂。食物来源的价值取决于多种因素，例如靠近蜂巢，能量的丰富性及浓度，能量的易于提取性等。为简单起见1995年Seeley定义食蜜源盈利能力可以用一个单一的量表示。采蜜蜂通常与它们正在开发的特定蜜源地联系在一起。它们将关于特定蜜源的信息携带回蜂巢，信息可以是食物来源与蜂巢的距离和方向，或者是食物来源的盈利能力，并以一定的概率在蜂巢内分享这些信息。同时，追随蜂不断地在寻找可以利用的食物来源。在模型中有两种类型的追随蜂：在蜂巢周围环境寻找新的食物来源的侦查蜂，以及在蜂巢中等待通过采蜜蜂分享的信息确定食物来源的采蜜蜂。模型定义了两种主要行为模式：招募蜜蜂共同开采和放弃贫瘠的花蜜来源寻找新蜜源。
在初始情况下，蜂巢内所有蜜蜂都没有任何对蜜源的概念，都作为侦查蜂外出寻找蜜源，并将蜜源信息带回蜂巢，在舞蹈区域通过摇摆舞蹈传播。经过评估后，蜜源收益度高的侦查蜂转化为采蜜蜂在蜜源处开采花蜜，并通过舞蹈招募更多蜜蜂与它共同开采；蜜源收益度一般的侦查蜂转化为跟随蜂跟随采蜜蜂开采蜜源；蜜源收益度低的侦查蜂由于没有蜜蜂追随，将继续作为侦查蜂搜索新蜜源。觅食过程迭代，直到搜索到最优蜜源。
二、ABC算法流程
人工蜂群算法最初生成蜜源数量为SN，蜜源是一个D维向量。采蜜蜂或观察蜂的数量等于蜜源数量，即一个蜜源对应一个采蜜蜂。蜜源迭代限制即为限制值，蜂群最大迭代次数为MCN。在基础ABC中有三个控制参数即为SN，限制值，和MCN。
三、ABC优化研究
ABC算法可以通过与其他算法的比较进行修改，改进算法。ABC优化被计划用于解决数值问题。因此，最初的研究旨在评估ABC的性能并将其广泛的用在一组数值基准测试函数中，并与例如遗传算法，粒子群算法，蚁群算法著名的进化算法相比较。2007年Karaboga和Basturk将ABC与遗传算法，粒子群算法和粒子群相比较后，启发得出了最优的多变量函数的进化算法（EA）。2008年Karaboga和Basturk为解决多维数值问题将ABC与DE，PSO，进化算法相比较。2009年Karaboga和Akay提出了ABC对比研究，被用于优化一套大型数值测试函数集合，并把它的结果与EA，PSO，DE和ES相比较。2009年Mala把ABC应用于测试套件优化，并与ACO对比，并基于使用ABC方法优于ACO的几个条件得出结论。2009年Krishnanand提出了包括ABC的五个仿生進化优化技术的对比研究。2009年Karaboga和Akay将ABC的性能在和声搜索与数值优化方面和蜜蜂算法相比较。2010年Li为解决八个著名的基准问题将ABC、蜜蜂算法和DE算法的基本性能相比较。2011年Ruiz-Vanoye和Daz-Parra研究了在元启发式方法（包括ABC）与生活科学之间功能的相似性。2011年Dongli 提出一个用于数值优化问题和在一套基准上考验性能的改良版ABC算法。2012年Mohammed和El-Abd使用ABC和进化算法对觅食的性能进行评估研究。
ABC算法可以通过与其他算法杂交形成一种新的混合算法，来改进ABC性能。为了让ABC更强大，在ABC中结合了一些传统的和进化优化算法，这种改进称为杂交混合ABC。例如单纯形法与ABC相结合，用于提高计算搜索的效率和反分析问题。2009年Duan介绍了将混合量子进化算法与ABC杂交优化。2009年Pulikanti和singh提出了一种新的混合方法将ABC方法与贪食试验相结合，用于二次渐缩问题的局部搜索。为了提高ABC的强化能力，2011年zhong提出了一个混合ABC算法，将细菌觅食优化算法的趋化性行为嵌入到蜂群的开发过程中。2011年Yeh 提出的一项结合ABC算法、神经网络优化算法、及蒙特卡罗模拟，用于生成一个新的近似模型的研究，用于预测网络的可靠性。2011年Xiao和chen将ABC与人工免疫网络算法混合，用该算法解决多模式资源受限的多项目调度问题。
自2005年ABC算法提出，ABC算法被研究者们通过比较修改、杂交混合其他算法进行改进，虽然最初的ABC算法是主要解决数值问题，随着发展也提出了解决离散和组合类型的的扩展问题的算法。并将改进成果广泛用于解决实际问题，使很多高度复杂的实际问题得到完美的解决。目前ABC算法在不同领域都有所应用，在电子产品、软件和控制工程领域、图像处理领域、电气工程领域、无线传感器网络、机械领域，涉猎十分广泛，发展十分迅速。
四、结语
ABC算法是由蜜蜂觅食行为发展的群智能算法，它解决了很多实际问题，并越来越受到大家的广泛关注。它的优势突出，每次迭代都进行全局搜索。但是像所有其他进化优化方法一样ABC也有一些缺点。例如由于因为它不采用蕾丝EA或DE中的交叉搜寻者，所以优质信息的分布规律不在要求的水平上。这将导致ABC局部最小值的收敛性能降低。这个话题可以继续调查，提高收敛性能。
参考文献：
[1]杨粟涵，蒋洪伟.人工蜂群算法综述[J].基金项目学术探讨，2015，5：15-18.
[2]Karaboga D， Akay B（2009c） A survey： algorithms simulating bee swarm intelligence. Artif Intell Rev 31： 61–85.
[3]Karaboga D， Gorkemli B，Ozturk C，Karaboga N（2012） A comprehensive survey ： artificial bee colony （ABC） algorithm and applications. Artif Intell Rev 42： 21–57.
作者简介：张千艾（1995.08—）女。辽宁省沈阳市人。辽宁工业大学工业工程专业在读学生。
关键词：人工蜂群算法 群智能 觅食行为 研究现状
一、ABC算法原理
自然界中的鱼类、鸟类、羊群、包括蚂蚁群、蜂群等，它们有个共同的特点——都是群居生物。这样的生物群体结构简单，每一独立个体都有不受约束随机活动的共性。群体中个体行为与个体之间的自组织行为的相互作用产生了群体智能SI，它具有自组织、分工、信息传递等特点，使群体总体呈现复杂的生物行为。各专业学者大量开始研究生物群体能呈现复杂生物行为的原因，利用计算机仿真可循规律，并利用群体智能行为能解决的问题例如交配、觅食、舞蹈、导航、任务选择等与实际工程领域中的问题具有很强相对性的特点，发展了很多更好解决优化问题的新方法。群智能算法是一个模拟自然生物的随机优化算法，将个体行为模拟为搜索解过程，将环境适应性模拟为求解目标函数的度量值，将觅食过程模拟为利用更优解替换先前解的过程，形成了“生成+检验”的迭代搜索过程。蜂群算法是典型“生成+检验”的迭代搜索过程的算法，该算法的突出优点为每次迭代都进行一次全局搜索，大大增加找到最优解的概率。
在自然界中的蜂群中，有蜂后，雄蜂和工蜂三种蜜蜂。蜂后是蜂群中唯一可以繁殖的母蜂，一生只交配一次。蜂后产卵活动取决于蜂群的情况，蜂群缺乏食物资源时，蜂后产新卵；蜂群过于拥挤时，蜂后停止产卵。一个成年蜂后取决蜂群状况每年可产175000～200000个卵。雄蜂的主要任务是使蜂后受精，生命不超过六个月。与蜂后交配后就会死去。工蜂在蜂群中进行主要活动，负责觅食、储存、保护蜂巢等。任务基于工蜂寿命和群体需要决定。信息交流是蜜蜂集体性意识形成的重要过程，信息交流最集中的部分在蜂巢的舞蹈区域。蜜蜂采蜜时，将食物资源的信息例如资源丰富度、方向和距离等信息储存，在卸载花蜜后在舞蹈区域进行舞蹈行为，将对于食物的信息分享给其他蜜蜂。观察蜂通过观看采蜜蜂的舞蹈，评估最有价值的蜜源，跟随采蜜蜂开采花蜜或开发附近蜜源。通过这样的觅食行为，使蜂群获得最优蜜源。
蜂群觅食模型主要有三个要素——蜜源、采蜜蜂和追随蜂。食物来源的价值取决于多种因素，例如靠近蜂巢，能量的丰富性及浓度，能量的易于提取性等。为简单起见1995年Seeley定义食蜜源盈利能力可以用一个单一的量表示。采蜜蜂通常与它们正在开发的特定蜜源地联系在一起。它们将关于特定蜜源的信息携带回蜂巢，信息可以是食物来源与蜂巢的距离和方向，或者是食物来源的盈利能力，并以一定的概率在蜂巢内分享这些信息。同时，追随蜂不断地在寻找可以利用的食物来源。在模型中有两种类型的追随蜂：在蜂巢周围环境寻找新的食物来源的侦查蜂，以及在蜂巢中等待通过采蜜蜂分享的信息确定食物来源的采蜜蜂。模型定义了两种主要行为模式：招募蜜蜂共同开采和放弃贫瘠的花蜜来源寻找新蜜源。
在初始情况下，蜂巢内所有蜜蜂都没有任何对蜜源的概念，都作为侦查蜂外出寻找蜜源，并将蜜源信息带回蜂巢，在舞蹈区域通过摇摆舞蹈传播。经过评估后，蜜源收益度高的侦查蜂转化为采蜜蜂在蜜源处开采花蜜，并通过舞蹈招募更多蜜蜂与它共同开采；蜜源收益度一般的侦查蜂转化为跟随蜂跟随采蜜蜂开采蜜源；蜜源收益度低的侦查蜂由于没有蜜蜂追随，将继续作为侦查蜂搜索新蜜源。觅食过程迭代，直到搜索到最优蜜源。
二、ABC算法流程
人工蜂群算法最初生成蜜源数量为SN，蜜源是一个D维向量。采蜜蜂或观察蜂的数量等于蜜源数量，即一个蜜源对应一个采蜜蜂。蜜源迭代限制即为限制值，蜂群最大迭代次数为MCN。在基础ABC中有三个控制参数即为SN，限制值，和MCN。
三、ABC优化研究
ABC算法可以通过与其他算法的比较进行修改，改进算法。ABC优化被计划用于解决数值问题。因此，最初的研究旨在评估ABC的性能并将其广泛的用在一组数值基准测试函数中，并与例如遗传算法，粒子群算法，蚁群算法著名的进化算法相比较。2007年Karaboga和Basturk将ABC与遗传算法，粒子群算法和粒子群相比较后，启发得出了最优的多变量函数的进化算法（EA）。2008年Karaboga和Basturk为解决多维数值问题将ABC与DE，PSO，进化算法相比较。2009年Karaboga和Akay提出了ABC对比研究，被用于优化一套大型数值测试函数集合，并把它的结果与EA，PSO，DE和ES相比较。2009年Mala把ABC应用于测试套件优化，并与ACO对比，并基于使用ABC方法优于ACO的几个条件得出结论。2009年Krishnanand提出了包括ABC的五个仿生進化优化技术的对比研究。2009年Karaboga和Akay将ABC的性能在和声搜索与数值优化方面和蜜蜂算法相比较。2010年Li为解决八个著名的基准问题将ABC、蜜蜂算法和DE算法的基本性能相比较。2011年Ruiz-Vanoye和Daz-Parra研究了在元启发式方法（包括ABC）与生活科学之间功能的相似性。2011年Dongli 提出一个用于数值优化问题和在一套基准上考验性能的改良版ABC算法。2012年Mohammed和El-Abd使用ABC和进化算法对觅食的性能进行评估研究。
ABC算法可以通过与其他算法杂交形成一种新的混合算法，来改进ABC性能。为了让ABC更强大，在ABC中结合了一些传统的和进化优化算法，这种改进称为杂交混合ABC。例如单纯形法与ABC相结合，用于提高计算搜索的效率和反分析问题。2009年Duan介绍了将混合量子进化算法与ABC杂交优化。2009年Pulikanti和singh提出了一种新的混合方法将ABC方法与贪食试验相结合，用于二次渐缩问题的局部搜索。为了提高ABC的强化能力，2011年zhong提出了一个混合ABC算法，将细菌觅食优化算法的趋化性行为嵌入到蜂群的开发过程中。2011年Yeh 提出的一项结合ABC算法、神经网络优化算法、及蒙特卡罗模拟，用于生成一个新的近似模型的研究，用于预测网络的可靠性。2011年Xiao和chen将ABC与人工免疫网络算法混合，用该算法解决多模式资源受限的多项目调度问题。
自2005年ABC算法提出，ABC算法被研究者们通过比较修改、杂交混合其他算法进行改进，虽然最初的ABC算法是主要解决数值问题，随着发展也提出了解决离散和组合类型的的扩展问题的算法。并将改进成果广泛用于解决实际问题，使很多高度复杂的实际问题得到完美的解决。目前ABC算法在不同领域都有所应用，在电子产品、软件和控制工程领域、图像处理领域、电气工程领域、无线传感器网络、机械领域，涉猎十分广泛，发展十分迅速。
四、结语
ABC算法是由蜜蜂觅食行为发展的群智能算法，它解决了很多实际问题，并越来越受到大家的广泛关注。它的优势突出，每次迭代都进行全局搜索。但是像所有其他进化优化方法一样ABC也有一些缺点。例如由于因为它不采用蕾丝EA或DE中的交叉搜寻者，所以优质信息的分布规律不在要求的水平上。这将导致ABC局部最小值的收敛性能降低。这个话题可以继续调查，提高收敛性能。
参考文献：
[1]杨粟涵，蒋洪伟.人工蜂群算法综述[J].基金项目学术探讨，2015，5：15-18.
[2]Karaboga D， Akay B（2009c） A survey： algorithms simulating bee swarm intelligence. Artif Intell Rev 31： 61–85.
[3]Karaboga D， Gorkemli B，Ozturk C，Karaboga N（2012） A comprehensive survey ： artificial bee colony （ABC） algorithm and applications. Artif Intell Rev 42： 21–57.
作者简介：张千艾（1995.08—）女。辽宁省沈阳市人。辽宁工业大学工业工程专业在读学生。