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(duì)于解決連續(xù)函數(shù)的求解問題具有較強(qiáng)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(jìn)一步提高人工蜂群算法的精度，使其更好地服務(wù)于社會(huì)相關(guān)領(lǐng)域。該文對(duì)蜂群算法的基本原理與計(jì)算步驟進(jìn)行闡述和分析，介紹了蜂群算法的相關(guān)優(yōu)化改進(jìn)方法，并指出了蜂群算法未來(lái)的改進(jìn)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(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：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(duì)人工蜂群算法進(jìn)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(lái)源，而人工蜂群算法也是對(duì)蜜蜂覓食這一智能行為的模擬，具有算法簡(jiǎn)單和魯棒性強(qiáng)等特點(diǎn)，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(duì)流水線的科學(xué)調(diào)度。鑒于人工蜂群算法的諸多優(yōu)勢(shì)，加強(qiáng)對(duì)其研究的力度無(wú)疑對(duì)于促進(jìn)該算法在社會(huì)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(píng)價(jià)應(yīng)以下式為依據(jù)進(jìn)行計(jì)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(duì)蜜源進(jìn)行搜索；引領(lǐng)蜂對(duì)蜜源信息進(jìn)行分享，同時(shí)，跟隨蜂以相應(yīng)概率對(duì)蜜源進(jìn)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(jìn)行隨機(jī)搜索。

1.2 算法步驟

人工蜂群算法的步驟如下：首先，對(duì)蜜源Xi進(jìn)行初始化，對(duì)參數(shù)NP以及l(fā)imit和迭代次數(shù)的上限進(jìn)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(duì)新搜索到的蜜源Vi的適應(yīng)度進(jìn)行評(píng)價(jià)，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(duì)引領(lǐng)蜂所尋蜜源被跟隨蜂跟隨的概率進(jìn)行計(jì)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(duì)蜜源Xi是否滿足被遺棄的條件進(jìn)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(jī)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(jìn)

2.1 參數(shù)調(diào)整

為進(jìn)一步提高人工蜂群算法的精度，Akay等人通過開展多組實(shí)驗(yàn)對(duì)人工蜂群算法受參數(shù)影響的情況進(jìn)行了深入研究，相關(guān)實(shí)驗(yàn)結(jié)果表明：人工蜂群算法并不會(huì)對(duì)問題的維數(shù)過于敏感，故對(duì)于高維問題的求解具有較強(qiáng)的適應(yīng)性；群體規(guī)模并不會(huì)對(duì)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(dá)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(huì)對(duì)蜂群的協(xié)作搜索產(chǎn)生不利影響；若limit值過大，則會(huì)導(dǎo)致算法的探索能力大幅下降，故對(duì)于相對(duì)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(jìn)一步提高算法對(duì)搜索擾動(dòng)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(duì)應(yīng)的自適應(yīng)調(diào)整擾動(dòng)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(jì)算公式可知，人工蜂群算法的搜索主要是基于個(gè)體之間的交互學(xué)習(xí)予以實(shí)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(duì)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(jì)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(duì)蜜源的搜索公式為基礎(chǔ)，將最佳個(gè)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(duì)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(xì)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(lái)對(duì)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(duì)人工蜂群算法的原理和步驟進(jìn)行說(shuō)明，進(jìn)而對(duì)前任關(guān)于該算法的改進(jìn)優(yōu)化方法展開了詳細(xì)的論述分析。具體研究結(jié)果如下：人工蜂群算法具有較強(qiáng)的系統(tǒng)性，通過引入群體概念對(duì)空間中的個(gè)體集合予以表示，在個(gè)體與個(gè)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(qiáng)的自組織性。同時(shí)，由于人工蜂群算法仍然處于初級(jí)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(jìn)，加之既有的研究成果相對(duì)分散，故并未被廣泛應(yīng)用到相關(guān)領(lǐng)域。未來(lái)，還需進(jìn)一步加強(qiáng)對(duì)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(shí)現(xiàn)該算法的普及和應(yīng)用奠定良好基礎(chǔ)。

參考文獻(xiàn)：

[1] 張超群，鄭建國(guó)，王翔.蜂群算法研究綜述[J].計(jì)算機(jī)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(shí)引導(dǎo)的改進(jìn)人工蜂群算法[J].模式識(shí)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(jī)床與自動(dòng)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(jìn)化搜索的人工蜂群算法[J].計(jì)算機(jī)工程與應(yīng)用，2013，9（20）：27-30.