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)函數的求解問題具有較強的適應性，目前，已被應用在航空航天、化工生產等諸多領域。為進一步提高人工蜂群算法的精度，使其更好地服務于社會相關領域。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生和應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值函數優(yōu)化等問題，而且還能夠實現對流水線的科學調度。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域中的應用具有重要的作用和意義。

為保持人工蜂群算法的一般性，其解的適應度評價應以下式為依據進行計算：

上式中，fi為解的函數值。至此，可將人工蜂群算法的核心確定為以下三部分：引領蜂對蜜源進行搜索；引領蜂對蜜源信息進行分享，同時，跟隨蜂以相應概率對蜜源進行搜索；引領蜂在轉變?yōu)閭刹榉浜笤谙鄳拿墼此阉骺臻g內進行隨機搜索。

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NP以及l(fā)imit和迭代次數的上限進行設定，而后，為初始化后的蜜源Xi分配一引領蜂，并使其根據公式（2）展開新蜜源Vi的搜索工作；其次，根據公式（5）對新搜索到的蜜源Vi的適應度進行評價，并以貪婪選擇法確定出應該保留的蜜源；再次，根據公式（3）對引領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蜂搜索方式相同，并仍以貪婪選擇的方式確定應保留的蜜源；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，則引領蜂轉變?yōu)閭刹榉洌瑐刹榉鋭t以公式（4）為依據隨機生成新蜜源；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分配引領蜂，重復上述步驟。

2 人工蜂群算法的優(yōu)化改進

2.1 參數調整

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影響的情況進行了深入研究，相關實驗結果表明：人工蜂群算法并不會對問題的維數過于敏感，故對于高維問題的求解具有較強的適應性；群體規(guī)模并不會對人工蜂群算法性能產生顯著的影響，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，則會對蜂群的協作搜索產生不利影響；若limit值過大，則會導致算法的探索能力大幅下降，故對于相對復雜的函數，人工蜂群算法的limit應設置為CZ*D，其中，CZ表示群體規(guī)模，D為問題維數[2]。此外，為進一步提高算法對搜索擾動維數的控制效果，Akay與Karaboga等人將MR，即修改率這一參數引入人工蜂群算法中，通過給出以Rechenberg1/5為依托的變異規(guī)則所對應的自適應調整擾動輔助算法，有效提高算法的求解精度[3]。

2.2 新的學習策略

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習予以實現的，雖然此種學習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)現并設計新的學習策略則成為了提高人工蜂群算法性能的關鍵。Banharnsakun等人以跟隨蜂對蜜源的搜索公式為基礎，將最佳個體的適應度值納入其中使得算法的搜索半徑隨迭代次數的遞減而增加，有效加快了算法對高質量解的尋找速度[4]。銀建霞，孟紅云等人將慣性權重與加速細數等納入到基本人工蜂群算法的蜜源搜索公式當中，并以適應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上完成迭代繁衍與最優(yōu)解的搜索任務，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，在參數設置和算法優(yōu)化方面仍然有待改進，加之既有的研究成果相對分散，故并未被廣泛應用到相關領域。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，為實現該算法的普及和應用奠定良好基礎。

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網數據融合技術研究[J].組合機床與自動化加工技術，2013，5（9）：5-8.

[4] 孟妍，吳小瑛.人工蜂群算法綜述[J].信息技術與信息化，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].計算機工程與應用，2013，9（20）：27-30.