人工蜂群算法（Artificial Bee Colony Algorithm,ABC）

1.人工蜂群算法介绍

人工蜂群算法是模仿蜜蜂群体觅食行为提出的一种优化方法，是集群智能思想的一个具体应用，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度。为了解决多变量函数优化问题，Karaboga提出了人工蜂群算法ABC模型(artificial bee colony algorithm)。

1.1特点

参数对算法的性能影响较大；容易陷入局部最优；所以在改进的ABC算法过程中，参数应该随着蜂群迭代过程进行自适应调节。

1.1基本组成

食物源（蜜源）：问题的可行解，蜜源的优劣用蜜量的大小（即适应度函数）

引领蜂：发现蜜源信息，选择较好的蜜源作为初始蜜源并以一定概率招募跟随蜂。作用：加快算法收敛速度，引领蜂的数量与跟随蜂的个数相等，一般等于种群数量的一半。

跟随蜂：根据引领蜂共享的蜜源信息选择合适的引领蜂，同时在其选择的新的蜜源，然后与引领蜂标记的初始蜜源进行比较。

侦查蜂：进行随机搜索（全局搜索），增强算法跳出局部最优的能力，每次迭代过程中侦查蜂的数量为1。

以上三种蜜蜂的角色可以互换，在蜂巢附近的舞蹈区通过摇摆舞的形式传递信息；

Limit（同一蜜源被限定开采的次数）:控制算法的收敛性，开采次数过少，不利于局部搜索；

1.2算法流程

• 1、初始化蜜源

初始化种群规模、最大迭代次数、控制参数“limit”，根据以下公式随机产生初始解（蜜源），

并计算每个解的适应度函数值fit。

随机生产蜜源公式：

while 没有达到最大迭代次数，开始迭代，

• 2、雇佣蜂阶段（employed bee）产生新蜜源

引领蜂在蜜源i附近进行领域搜索了，找到一个不为i的节点k，根据以下公式产生新解，并计算其适应度函数。

搜索一个新的蜜源(领域搜索）：，

尽管k是随机生成，但k不等于i；=[-1,1]之间的随机数；领域搜索公式控制了x位置临近食物源的产生，代表了蜜蜂对临近食物源的比较。

根据贪婪选择方法来确定这个新蜜源保留还是替换，如果新解的适应度优于,则用代替，把作为当前最好的解。否则，该蜜源的开采度+1。

• 3、跟随蜂阶段（on-look bee）通过轮盘赌方式确定跟随蜂选择引领蜂的概率（招募跟随蜂）

计算每个蜜源的适应度值，得到跟随概率。跟随蜂根据根据选择该概率pi选择蜜源，然后根据位置更新公式对该蜜源的邻域进行搜索，产生新解，并计算其适应度，然后在当前蜜源和新蜜源中进行贪婪选择。

轮盘赌公式：

• 4、侦查蜂阶段（scout bee）引领蜂变成侦查蜂。

判断蜜源Xi是否满足被遗弃的条件，如果同一蜜源被开采的次数大于limit，则代表此位置已经陷入局部最优，则这个解对应的引领蜂变成侦查蜂。

如果某个蜜源（某个解Xi）在limit次循环内没有找到更好的解，则被遗弃，侦查蜂根据以下公式在全局范围内随机产生新的蜜源，替代原来的蜜源。

判断是否满足循环的终止条件，如果达到最大迭代次数，则输出最优结果；

1.3 ABC算法的流程图及伪代码

(1)流程图