51、加速人工蜂群算法的研究与实践

加速人工蜂群算法的研究与实践

1. 引言

在解决复杂优化问题时，人工蜂群算法（ABC）具有一定的优势，但也面临着过早收敛、易陷入局部最优等问题。为了优化ABC算法的性能，研究者们提出了多种改进策略。本文将介绍DFSABC - elite算法、精英邻域学习策略（ENL）以及基于此的ENLABC算法，并通过实验分析其性能。

2. DFSABC - elite算法

广度优先搜索（BFS）框架和深度优先搜索（DFS）框架是进化算法（EAs）中两种典型的搜索模型。BFS侧重于探索，而DFS侧重于开发。最近，有研究者提出了基于DFS框架和新型精英引导搜索方程的DFSABC - elite算法。
- 算法特点
- 雇佣蜂阶段 ：每一代中，仅随机选择部分解进行搜索，与原始ABC算法中对所有解进行开发不同。
- 观察蜂阶段 ：观察蜂仅选择前T个精英解进行搜索，其中$T = p \times SN$，$p$是范围在$[0, 1]$的实数，经验值为$0.1$。观察蜂的数量为$r \times T$，$r \in {1, 2, 3, \cdots, ceil(1/p)}$，参数$r$可控制计算资源分配。
- 搜索方程
- 雇佣蜂阶段：$v_{i,j} = x_{e,j} + \phi_{i,j} \times (x_{e,j} - x_{k,j})$
- 观察蜂阶段：$v_{e,j} = \frac{1}{2} \times (x_{e,j} + x_{best,j}) + \phi_{e,