蜂群算法理論研究綜述

1、蜂群算法理論研究綜述摘要：蜂群算法是人們受到自然界屮蜜蜂的行為啟發(fā)而提出的一種 新穎的智能優(yōu)化算法。詳細闡述了基于蜜蜂采蜜行為的蜂群算法的基本原 理及研究情況。通過與遺傳算法、蟻群算法、粒子群算法相比較，總結(jié)出 蜂群算法的優(yōu)缺點，并提出了未來研究的方向。關(guān)鍵詞：蜂群算法；采蜜行為；智能算法中圖分類號:tp301.6文獻標識碼：a文章編號：1672-7800 (2012) 010-0036-03作者簡介：班祥東(1974-)，男，桂林電子科技大學計算科學與工程 學院碩士研究生，研究方向為多媒體技術(shù)應(yīng)用、數(shù)據(jù)挖掘。0引言群智能算法是一種在自然界生物群體的智能行為啟發(fā)下所提出的智 能算法，是一種新興

2、的仿生類演化算法，己經(jīng)成為越來越多的研究者所關(guān) 注的焦點。1975年，美國科學家holland教授針對機器學習問題提出了一 種基于種群隱并行搜索的智能優(yōu)化算法，后經(jīng)歸納總結(jié)，形成了遺傳算法 (geneticalgorithms, ga)； 1992 年，意大利學者 colornia> dorigom 和 maniezzov根據(jù)自然界中螞蟻覓食的規(guī)律提出了蟻群算法 (antcolonyoptimization, aco)； 1995 年，eberhart 博士和 kennedy 博 士基于鳥群捕食行為的研究提出粒子群算法(partic 1 eswarmoptimization, pso)。

3、冃前，群智能是一個非?；钴S的 研究領(lǐng)域，它為人們揭示了生命現(xiàn)象和進化規(guī)律，為解決復雜系統(tǒng)提供了 新的思路與方法，為實現(xiàn)適應(yīng)性系統(tǒng)提供了有用的范例。近幾年來，隨著群智能優(yōu)化算法的不斷發(fā)展，蜂群算法也受到學術(shù)界 的持續(xù)關(guān)注。蜜蜂是一種群居昆蟲，雖然單個昆蟲的行為極其簡單，但是 山單個簡單的個體所組成的群體卻表現(xiàn)出極其復雜的行為。真實的蜜蜂種 群能夠在任何環(huán)境下，以極高的效率從食物源（花朵）中釆集花蜜，并能 適應(yīng)環(huán)境的改變。英國學者dtpham受啟發(fā)于蜂群的采集行為機制，提出 了蜂群算法（bccsalorithm, ba）o 之后土耳其學者 derviskaraboga 改 進了蜂群算法，提出了基于

4、蜜蜂釆集機制的人工蜂群算法 （artificialbeecolony, abc）。因此，蜂群算法是建立在蜜蜂自組織模 型和群體智能基礎(chǔ)上的一種非數(shù)值優(yōu)化計算方法，屬于新興的群智能方 法。1蜂群算法概述1.1基于蜜蜂采蜜行為的蜂群算法蜜蜂是自然界中的一種群居昆蟲，個體的行為極其簡單，自然界中的 蜂群總是能很自如地發(fā)現(xiàn)優(yōu)良蜜源（花粉）。vonfrisch研究揭示蜜蜂以跳 舞的方式來傳達蜜源的信息，采集到花粉的蜜蜂，返回后在蜂巢上翩然起 舞。蜜蜂沿直線爬行，然后再轉(zhuǎn)向左的這一種舞蹈被稱為“搖擺舞”，搖 擺舞是蜜蜂之間交流信息的一種基木形式，它傳達了有關(guān)蜂巢周圍蜜源的 重要信息（如蜜源方向及離巢距離等

5、），其它蜜蜂利用這些信息準確評價 蜂巢周圍的蜜源質(zhì)量。蜂群產(chǎn)生群休智慧的最小搜索模型包含基本的3個 組成耍素：食物源、采蜜蜂、待工蜂。此外，蜜蜂還有3種基木的行為模 式：搜索蜜源、為蜜源招募和放棄蜜源。(1) 食物源：食物源的質(zhì)量由多方面的因素決定，如離蜂巢的遠近、 包含花蜜的豐富程度等。使用單的參數(shù)來代表以上各個因素。(2) 采蜜蜂：采蜜蜂同具體的蜜源聯(lián)系在一起。釆蜜蜂攜帶了所采 集蜜源的信息，包括蜜源與蜂巢的距離、蜜源方向、蜜源的收益度。采蜜 蜂通過搖擺舞與其它蜜蜂分享這些信息，根據(jù)路徑長度排序，按一定比例, 部分成為引領(lǐng)蜂。(3) 待工蜂：待工蜂是準備去采蜜的蜜蜂。它們可以分為兩類：偵

6、查蜂(scouter)和跟隨蜂(follower)。偵察蜂搜索蜂巢附近的新食物源, 跟隨蜂等在蜂巢里面并通過與引領(lǐng)蜂分亨信息找到食物源。開始，蜜蜂以偵察蜂的身份搜索。其搜索可以由系統(tǒng)提供的先驗知識 決定，也可以完全隨機。經(jīng)過一輪偵查后，若找到食物源，蜜蜂利用它本 身的存儲能力記錄位置信息并開始采蜜。此時，蜜蜂將成為“采蜜蜂”。 蜜蜂在食物源釆蜜后回到蜂巢卸下蜂蜜然后將有如下選擇：放棄食物源 而成為待工蜂；通過跳搖擺舞為所對應(yīng)的食物源招募更多的蜜蜂，然后 冋到食物源采蜜；繼續(xù)在同一個食物源采蜜而不進行招募。對于待工蜂有如下選擇：轉(zhuǎn)變成為偵察蜂并搜索蜂巢附近的食物 源；在觀察完搖擺舞后成為跟隨蜂，

7、開始搜索對應(yīng)食物源鄰域并采蜜。蜂群算法的基木步驟如下：(1) 隨機產(chǎn)生初始化種群，選取n只工蜂，評價群體適應(yīng)度值,while (停止準則不滿足)。(2) 從n只工蜂里面選取m只較好工蜂和e只最好工蜂。(3) 派遣增援工蜂(最好的e只更多的蜜蜂增援)，并評價其適應(yīng)度值。(4) 從每個花叢屮選出適應(yīng)度最好的一只工蜂。(5) 委任其它n-m只蜜蜂進行隨機搜索，并評估其適應(yīng)度。(6) endwhileo蜜蜂采蜜的過程(即尋找高質(zhì)量的蜜源)類似于進化計算中的搜索待 求解問題最優(yōu)解的過程。在采蜜模型中，蜜源代表可能的解，采蜜相當于 搜索最優(yōu)解，蜜源質(zhì)量可視為適應(yīng)度函數(shù)決定整個算法的優(yōu)化方向。1. 2基于蜜

8、蜂采集行為的人工蜂群算法人工蜂群算法中，同樣山食物源位置代表優(yōu)化問題的解。蜂群具有三 種類型的工蜂：專業(yè)工蜂、觀望蜂和偵察蜂。專業(yè)工蜂專門進行采集，觀 望蜂等待在蜂巢中觀看同伴表演的搖擺舞，偵察蜂進行隨機搜索。莫中， 專業(yè)工蜂和觀望蜂的數(shù)量(bn)相等，且都等于食物源的數(shù)量sn?；静?驟如下：(1) 初始化解的群體p (g=0)；(2) 評估該群體適應(yīng)度；(3) cycle二1；(4) 循環(huán)；(5) 專業(yè)工蜂對解x (1)產(chǎn)生新解(食物源位置)v (i),并進行評估；(6)對v (i)和x (i)使用貪心選擇過程；(7) 對解x (i)計算概率值p (i)；(8) 按概率p (i)選取的守望

9、蜂，并対解x (i)產(chǎn)生新解v (i), 并進行評估；(9) 對v (i)和x (i)使用貪心選擇過程；(10) 為偵察蜂算出放棄的解，如果存在，由隨機產(chǎn)生的新解將其替 換；(11) 記憶到目前為止的最好解；(12) cycle二cycle+1；(13) 直至 cycle=mcno13兩種算法比較pham的蜂群算法設(shè)置的參數(shù)較多，但較為簡化。ba算法需要設(shè)置如 下幾個參數(shù)：工蜂數(shù)量(n)、較好工蜂數(shù)(m)、最好工蜂數(shù)(e)、對每個 最好工蜂進行增援的工蜂數(shù)(nep)、對每個較好工蜂進行增援的工蜂數(shù) (nsp)花叢的半徑大小(ngh)okaraboga的人工蜂群算法(所需調(diào)整參數(shù)較少，但稍微復朵

10、。abc算 法中有3個控制參數(shù)：與專業(yè)工蜂數(shù)或觀望蜂數(shù)相等的食物源數(shù)(sn)、 “l(fā)imit”值和最大循環(huán)數(shù)(mcn)o2蜂群算法的理論研究2005年，karabogad成功地將蜜蜂采蜜原理應(yīng)用于函數(shù)的數(shù)值優(yōu)化， 并提出比較系統(tǒng)的人工蜂群算法(artificialbeecolonyalgorithm,稱abc算法)。近年來，人們把人工蜂群算法結(jié)合神經(jīng)網(wǎng)絡(luò)、聚類分析、混沌 算法、支持向量機等解決約朿優(yōu)化問題。胡中華等人將abc算法應(yīng)用于tsp 仿真和無人機的航跡規(guī)劃問題，于明等將人工蜂群算法結(jié)合支持向量機運 用到參數(shù)優(yōu)化問題中，寧愛平等人將改進的abc算法用于語音識別系統(tǒng), 王慧穎等將改進的蜂群

11、算法應(yīng)于與函數(shù)優(yōu)化問題中，何宗耀等將蜂群算法 和蟻群算法結(jié)合在一起進行研究，畢曉軍等人提出了一種人工蜂群算法和 k-均值的混合聚類算法，梁建慧等人將人工蜂群算法應(yīng)用于圖像分割技 術(shù)。韓燕燕、馬良等將人工蜂群算法應(yīng)用到規(guī)劃問題。除此之外，人們基 于蜂群算法提出了很多改進的算法，并都已得到了廣泛的應(yīng)用。目前，蜜 蜂的采蜜行為、學習、記憶和信息分享的特性已成為群智能的研究熱點之o3蜂群算法與其它算法的比較遺 傳算法 (geneticalgori thm , ga ) 蟻 群算法 (antcolonyoptimization , aco )、粒子群算法 (parlicleswarmoptimizati

12、on, pso)與蜂群算法均屬于智能優(yōu)化算法, 它們都是基于種群通過迭代來完成尋優(yōu)過程的概率搜索算法。其中，遺傳 算法是最常用的也是最基礎(chǔ)的智能進化算法，蟻群算法和粒了群算法是比 較流行的群智能算法。對4種算法的優(yōu)缺點進行了比較，如表1所示。4總結(jié)與展望蜂群算法是一種新興的群智能算法。近年來，雖然蜂群算法的應(yīng)用越 來越廣泛，但是也存在著一些問題。目前的研究還處于初期，研究成果還 比較分散，有些關(guān)鍵問題還冇待解決。目前，在以下方面還需要完善： 算法的參數(shù)設(shè)置問題，對整個算法的性能影響很人，還需要進一步深入研 究；算法容易陷入局部最優(yōu)解，如何避免算法的早熟收斂，提高算法的 效率，是今后研究的一個熱

13、點問題；目前，算法應(yīng)用的領(lǐng)域比較小，如 何擴大其應(yīng)用領(lǐng)域，如何解決一些更復雜的問題，也是今后的一個研究方向。參考文獻:1 hollandjh. adaptationinnaturalandartificialsysterns : anlntroductoryanalysi swi thappli cationtobi ology , control , andartificialintelligencem annarbor : theuniversilyofmichiganpress, 1975.2 mdorigo. optimization , lcarningandnaturalalgor

14、ithmsd italy： elcctronicalnformaziono, poli tecnicodimilano, 1992.3 kennedyj , eberhartrc. particleswarmoptimizationj ieeeint/ lconf onneuraln etworks, 1995.4 phamdt , ghanbarzadeha , koce , etal. thebeesalgori thmanoveltoolforcomplexoptimi sationproblems c thel0thewgtmeetingandl7thminieur0conferenc

15、e, 2006.5 dkaraboga anideabasedonhoneybeeswarmfornumericaloptimization r. technicalreport-tr06, ereiyesuniversity, 2005 (21).6 vonfrischk. thedancelanguageandorientationofbeesm. boston : thebelknappressofllarvarduniversilypress, 19677 basturkb , karabogad. anartificialbeecolony ( abc ) algorilhmforn

16、umericfunctionoptimizalionc proceedingsofleeeswa rminte11igencesymposiumindian-apolis, 2006.8 楊進，馬良解決復雜優(yōu)化問題的個冇效工具蜂群優(yōu)化算法 j計算機應(yīng)用研究，2010 (12)9 銀建霞，孟紅云具有混沌差分進化搜索的人丁蜂群算法j 計算 機工程與應(yīng)用，2011 (29)10 胡中華，趙敏基于人工蜂群算法的無人機航跡規(guī)劃研究j 傳 感器與微系統(tǒng)，2010 (3).11于明，艾月橋基于人工蜂群算法的支持向量機參數(shù)優(yōu)化及應(yīng)用j光電子激光，2012 (2)12寧愛平,張學英人工蜂群算法改進diimm的語音識別方法j 計算機工程與應(yīng)用，2012 (7)13王慧穎,劉建軍改進的人工蜂群算法在函數(shù)優(yōu)化問題屮的應(yīng)用j計算機工程與應(yīng)用，2011 (9)14 何宗耀，王翔蜂群一一蟻群自適應(yīng)優(yōu)化算法j計算機應(yīng)用研究,2012 (1)15 畢曉軍，宮汝江一種結(jié)合人工蜂群和k-均值的混合聚類算法j. 計算機應(yīng)用研究，2012 (6)16 梁建慧，馬苗.人工蜂群算法在圖像分割中的應(yīng)用研究j 計算 機工程與設(shè)計，2012 (8)17 韓燕燕，馬良多目