2、基于均匀局部搜索的人工蜂群算法

基于均匀局部搜索的人工蜂群算法

在工程技术和优化领域，存在大量非线性、不可微的多峰复杂优化问题，传统优化方法难以解决这些问题。近年来，科学家们提出的智能算法能有效应对这些复杂问题，如粒子群优化（PSO）算法、布谷鸟搜索（CS）算法以及人工蜂群（ABC）算法等。

1. 算法背景与问题提出

在解决优化问题时，算法需要在局部搜索和全局搜索之间取得平衡。强调局部搜索有助于提高算法的收敛速度，但容易陷入局部最优；强调全局搜索有助于找到新的最优解并避免过早收敛，但会降低算法的收敛速度。ABC 算法在全局搜索方面表现较好，但局部搜索能力稍弱，容易陷入局部最优。

为了克服 ABC 算法的这些缺点，提高算法效率，学者们提出了诸多改进方法。Peng 等人提出了一种均匀局部搜索方法，能显著增强算法的局部搜索能力，从而提高算法的整体优化性能。受 PSO 算法启发，Zhu 和 Kwong 提出了 GABC 算法，在搜索策略中引入 Gbest，提升了算法性能。在此基础上，结合 GABC 算法和均匀局部搜索方法，提出了一种新的算法——均匀局部搜索 Gbest 人工蜂群（UGABC）算法，以解决优化问题。

2. ABC 算法和 GABC 算法

2.1 ABC 算法

在 ABC 算法中，食物源代表待解决问题的一个可行解，使用“适应度”来衡量食物源的优劣。所有蜜蜂分为雇佣蜂、观察蜂和侦察蜂，不同蜜蜂通过共享信息和角色转换引导整个蜂群寻找优质食物源。以最小化问题为例，算法步骤如下：
1. 初始化阶段 ：随机生成 SN 个初始食物源。
2. 雇佣蜂搜索 ：雇