人工蜂群算法研究綜述

包麗梅

摘要：人工蜂群算法是由Karaboga在2005年提出的一類新型群體智能優(yōu)化算法，對于解決連續(xù)函數(shù)的求解問題具有較強的適應(yīng)性，目前，已被應(yīng)用在航空航天、化工生產(chǎn)等諸多領(lǐng)域。為進一步提高人工蜂群算法的精度，使其更好地服務(wù)于社會相關(guān)領(lǐng)域。該文對蜂群算法的基本原理與計算步驟進行闡述和分析，介紹了蜂群算法的相關(guān)優(yōu)化改進方法，并指出了蜂群算法未來的改進與研究方向。

關(guān)鍵詞：人工蜂群算法；覓食行為；群體智能

中圖分類號：TP311 文獻標(biāo)識碼：A 文章編號：1009-3044（2016）22-0159-02

Abstract： the artificial colony algorithm is established in 2005 by Karaboga put forward a new type of swarm intelligence optimization algorithm， to solve the continuous function to solve the problem with strong adaptability， at present， has been used in many fields such as aerospace， chemical production. In order to further improve the accuracy of artificial colony algorithm， to make it better service to the society in related fields. This paper elaborates the basic principle and calculation steps of swarm algorithm and analysis， this paper introduces the colony algorithm related optimization improvement method， and points out that the swarm algorithm improvement and research direction in the future.

Key words： artificial colony algorithm； foraging behavior； swarm intelligence

對人工蜂群算法進行分析可知，其自然界原理為蜜蜂的覓食行為，由于蜜蜂的覓食行為恰好是一類較為典型的群體智能行為，故而為人工蜂群算法的產(chǎn)生和應(yīng)用提供了重要的信息來源，而人工蜂群算法也是對蜜蜂覓食這一智能行為的模擬，具有算法簡單和魯棒性強等特點，不僅能夠較好地解決模糊聚類和數(shù)值函數(shù)優(yōu)化等問題，而且還能夠?qū)崿F(xiàn)對流水線的科學(xué)調(diào)度。鑒于人工蜂群算法的諸多優(yōu)勢，加強對其研究的力度無疑對于促進該算法在社會各領(lǐng)域中的應(yīng)用具有重要的作用和意義。

為保持人工蜂群算法的一般性，其解的適應(yīng)度評價應(yīng)以下式為依據(jù)進行計算：

上式中，fi為解的函數(shù)值。至此，可將人工蜂群算法的核心確定為以下三部分：引領(lǐng)蜂對蜜源進行搜索；引領(lǐng)蜂對蜜源信息進行分享，同時，跟隨蜂以相應(yīng)概率對蜜源進行搜索；引領(lǐng)蜂在轉(zhuǎn)變?yōu)閭刹榉浜笤谙鄳?yīng)的蜜源搜索空間內(nèi)進行隨機搜索。

1.2 算法步驟

人工蜂群算法的步驟如下：首先，對蜜源Xi進行初始化，對參數(shù)NP以及l(fā)imit和迭代次數(shù)的上限進行設(shè)定，而后，為初始化后的蜜源Xi分配一引領(lǐng)蜂，并使其根據(jù)公式（2）展開新蜜源Vi的搜索工作；其次，根據(jù)公式（5）對新搜索到的蜜源Vi的適應(yīng)度進行評價，并以貪婪選擇法確定出應(yīng)該保留的蜜源；再次，根據(jù)公式（3）對引領(lǐng)蜂所尋蜜源被跟隨蜂跟隨的概率進行計算，跟隨蜂的蜜源搜索方式同與其共享信息的引領(lǐng)蜂搜索方式相同，并仍以貪婪選擇的方式確定應(yīng)保留的蜜源；最后，對蜜源Xi是否滿足被遺棄的條件進行判定，若滿足遺棄條件，則引領(lǐng)蜂轉(zhuǎn)變?yōu)閭刹榉洌瑐刹榉鋭t以公式（4）為依據(jù)隨機生成新蜜源；若不滿足，則令t=t+1，直接判斷算是否滿足終止條件，若滿足，則終止；若不滿足，則亟須為蜜源Xi分配引領(lǐng)蜂，重復(fù)上述步驟。

2 人工蜂群算法的優(yōu)化改進

2.1 參數(shù)調(diào)整

為進一步提高人工蜂群算法的精度，Akay等人通過開展多組實驗對人工蜂群算法受參數(shù)影響的情況進行了深入研究，相關(guān)實驗結(jié)果表明：人工蜂群算法并不會對問題的維數(shù)過于敏感，故對于高維問題的求解具有較強的適應(yīng)性；群體規(guī)模并不會對人工蜂群算法性能產(chǎn)生顯著的影響，故即使利用算法求解較小群體規(guī)模的解仍然可以達到所需效果。人工蜂群算法受limit值的影響較大，若limit值過小，則會對蜂群的協(xié)作搜索產(chǎn)生不利影響；若limit值過大，則會導(dǎo)致算法的探索能力大幅下降，故對于相對復(fù)雜的函數(shù)，人工蜂群算法的limit應(yīng)設(shè)置為CZ*D，其中，CZ表示群體規(guī)模，D為問題維數(shù)[2]。此外，為進一步提高算法對搜索擾動維數(shù)的控制效果，Akay與Karaboga等人將MR，即修改率這一參數(shù)引入人工蜂群算法中，通過給出以Rechenberg1/5為依托的變異規(guī)則所對應(yīng)的自適應(yīng)調(diào)整擾動輔助算法，有效提高算法的求解精度[3]。

2.2 新的學(xué)習(xí)策略

由蜜源搜索的計算公式可知，人工蜂群算法的搜索主要是基于個體之間的交互學(xué)習(xí)予以實現(xiàn)的，雖然此種學(xué)習(xí)策略可以使群體保持較高的探索能力，但對新蜜源的開發(fā)能力卻有所缺失，從而影響該算法的精度和收斂速度。由此發(fā)現(xiàn)并設(shè)計新的學(xué)習(xí)策略則成為了提高人工蜂群算法性能的關(guān)鍵。Banharnsakun等人以跟隨蜂對蜜源的搜索公式為基礎(chǔ)，將最佳個體的適應(yīng)度值納入其中使得算法的搜索半徑隨迭代次數(shù)的遞減而增加，有效加快了算法對高質(zhì)量解的尋找速度[4]。銀建霞，孟紅云等人將慣性權(quán)重與加速細數(shù)等納入到基本人工蜂群算法的蜜源搜索公式當(dāng)中，并以適應(yīng)度值來對二者的取值予以確定，從整體上提高了算法的求解精度[5]。

3 結(jié)論

本文通過對人工蜂群算法的原理和步驟進行說明，進而對前任關(guān)于該算法的改進優(yōu)化方法展開了詳細的論述分析。具體研究結(jié)果如下：人工蜂群算法具有較強的系統(tǒng)性，通過引入群體概念對空間中的個體集合予以表示，在個體與個體間高效的信息共享的基礎(chǔ)上完成迭代繁衍與最優(yōu)解的搜索任務(wù)，具有較強的自組織性。同時，由于人工蜂群算法仍然處于初級研究階段，在參數(shù)設(shè)置和算法優(yōu)化方面仍然有待改進，加之既有的研究成果相對分散，故并未被廣泛應(yīng)用到相關(guān)領(lǐng)域。未來，還需進一步加強對人工蜂群算法的研究，積極探究提高算法精度和性能的方法，為實現(xiàn)該算法的普及和應(yīng)用奠定良好基礎(chǔ)。

參考文獻：

[1] 張超群，鄭建國，王翔.蜂群算法研究綜述[J].計算機應(yīng)用研究，2011，9（14）：3201-3205.

[2] 林小軍，葉東毅.一種帶規(guī)范知識引導(dǎo)的改進人工蜂群算法[J].模式識別與人工智能，2013，3（12）：307-314.

[3] 梁小曉，韋崇崗.基于人工蜂群算法的物聯(lián)網(wǎng)數(shù)據(jù)融合技術(shù)研究[J].組合機床與自動化加工技術(shù)，2013，5（9）：5-8.

[4] 孟妍，吳小瑛.人工蜂群算法綜述[J].信息技術(shù)與信息化，2013，4（24）：46-48.

[5] 銀建霞，孟紅云.具有混沌差分進化搜索的人工蜂群算法[J].計算機工程與應(yīng)用，2013，9（20）：27-30.