基于boltzmann选择策略的人工蜂群算法

doi:10.3778/j.issn.1002-8331.2009.31.017

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (31): 53-55.DOI: 10.3778/j.issn.1002-8331.2009.31.017

基于boltzmann选择策略的人工蜂群算法

丁海军，冯庆娴

河海大学（常州）计算机及信息工程学院，江苏常州 213022

收稿日期:2008-06-25 修回日期:2008-10-16 出版日期:2009-11-01 发布日期:2009-11-01
通讯作者: 丁海军

Artificial bee colony algorithm based on Boltzmann selection policy

DING Hai-jun，FENG Qing-xian

College of Computer & Information Engineering，Hohai University，Changzhou，Jiangsu 213022，China

Received:2008-06-25 Revised:2008-10-16 Online:2009-11-01 Published:2009-11-01
Contact: DING Hai-jun

摘要/Abstract

摘要： 人工蜂群算法（ABC）是一种基于蜜蜂行为的优化算法。基于Boltzmann选择机制提出了一种改进的人工蜂群算法（BABC）用来优化多变量函数。BABC算法使初始群体均匀化；采用Boltzmann选择机制来代替轮盘赌以防止算法过早收敛。经过实验证明，该算法具有全局搜索能力好，收敛速度快，参数设置少等优点。

关键词: 人工蜂群算法（ABC）, 群集智能, 进化计算, 函数优化

Abstract: Artificial Bee Colony（ABC） algorithm is an optimization algorithm based on the intelligent behavior of honey bee swarm.In this work，an improved ABC algorithm（BABC） is proposed based on the Boltzmann selection mechanism and used for optimizing multivariable functions.BABC algorithm makes the initial group symmetrical.To avoid premature，this method applies Boltzmann selection mechanism instead of roulette.The experimental results have shown that，the good performance of the algorithm such as avoiding local optima，quick convergence and fewer parameters.

Key words: Artificial Bee Colony（ABC）, swarm intelligence, evolutionary, function optimization

中图分类号:

TP183

丁海军，冯庆娴. 基于boltzmann选择策略的人工蜂群算法[J]. 计算机工程与应用, 2009, 45(31): 53-55.

DING Hai-jun，FENG Qing-xian. Artificial bee colony algorithm based on Boltzmann selection policy[J]. Computer Engineering and Applications, 2009, 45(31): 53-55.

[1]	王丽丽，申燚，徐玉松，袁明新. 融合云模型和反向学习的克隆选择算法[J]. 计算机工程与应用, 2021, 57(17): 68-74.
[2]	魏锋涛，史云鹏，石坤. 具有组合变异策略的回溯搜索优化算法[J]. 计算机工程与应用, 2020, 56(9): 41-47.
[3]	陈忠云，张达敏，辛梓芸，张绘娟，闫威. 混沌精英质心拉伸机制的樽海鞘群算法[J]. 计算机工程与应用, 2020, 56(10): 44-50.
[4]	谈庆，黄樟灿. 基于近邻套索算子的磷虾群算法[J]. 计算机工程与应用, 2019, 55(9): 124-129.
[5]	白创，陈翔. 新型LeNet-FC卷积神经网络模型算法的研究[J]. 计算机工程与应用, 2019, 55(5): 105-111.
[6]	刘茜1，毛力1，杨弘2. 差分进化引导趋化算子的烟花优化算法[J]. 计算机工程与应用, 2019, 55(3): 140-146.
[7]	顾清华，孟倩倩. 优化复杂函数的粒子群-鸽群混合优化算法[J]. 计算机工程与应用, 2019, 55(22): 46-52.
[8]	邹德龙，王宝华. 一种混合优化算法面向高维函数优化的研究[J]. 计算机工程与应用, 2019, 55(20): 122-127.
[9]	党婷婷，林丹. 含有动态自适应惯性权重的蜘蛛猴优化算法[J]. 计算机工程与应用, 2019, 55(14): 40-47.
[10]	魏锋涛，岳明娟，郑建明. 基于多策略融合的改进人工蜂群算法[J]. 计算机工程与应用, 2018, 54(5): 111-116.
[11]	徐辰华1，李成县1，喻昕2，黄清宝1. 基于Cat混沌与高斯变异的改进灰狼优化算法[J]. 计算机工程与应用, 2017, 53(4): 1-9.
[12]	吴伟民，吴汪洋，林志毅，李泽熊，方典禹. 基于增强个体信息交流的蜻蜓算法[J]. 计算机工程与应用, 2017, 53(4): 10-14.
[13]	王丽1，王晓凯2. 多峰函数优化的改进群居蜘蛛优化算法[J]. 计算机工程与应用, 2017, 53(3): 1-6.
[14]	张维存1，赵晓巧1，于万霞2. 具有角色转换的自适应人工蜂群算法[J]. 计算机工程与应用, 2017, 53(14): 117-122.
[15]	王金叶，马良，刘勇. 改进光学优化算法及其在函数优化中的应用[J]. 计算机工程与应用, 2017, 53(12): 58-62.

基于boltzmann选择策略的人工蜂群算法

Artificial bee colony algorithm based on Boltzmann selection policy

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics