全局最优引导的差分演化二进制人工蜂群算法

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (6): 43-47.

全局最优引导的差分演化二进制人工蜂群算法

刘婷1，2，张立毅1，2，鲍韦韦3，邹康3

1.天津商业大学信息工程学院，天津 300134
2.天津大学电子信息工程学院，天津 300072
3.天津工业大学电子与信息工程学院，天津 300387

出版日期:2013-03-15 发布日期:2013-03-14

Differential evolution binary artificial bee colony algorithm based on global best

LIU Ting1，2, ZHANG Liyi1，2, BAO Weiwei3, ZOU Kang3

1.School of Information Engineering, Tianjin University of Commerce, Tianjin 300134, China
2.School of Electronic Information Engineering, Tianjin University, Tianjin 300072, China
3.School of Electronics and Information Engineering, Tianjin Polytechnic University, Tianjin 300387, China

Online:2013-03-15 Published:2013-03-14

摘要/Abstract

摘要： 针对基本二进制人工蜂群算法开采能力弱、收敛速度慢的缺点，提出一种全局最优引导的差分二进制人工蜂群算法。算法仿照粒子群优化，将全局最优参数引入二进制人工蜂群算法中以提高开采能力；同时受差分演化算法中“交叉”操作的启发，提出多维邻域搜索方式，加快收敛速度。采用0-1背包问题进行仿真，实验结果表明与传统算法相比，提出算法不仅寻优能力增强且收敛速度明显提高。对于10维背包问题，提出算法的收敛速度比基本二进制人工蜂群算法提高近10倍。

关键词: 基本二进制人工蜂群算法, 粒子群优化, 差分演化, 全局最优, 多维邻域搜索, 0-1背包

Abstract: The Basic Binary Artificial Bee Colony（BABC） algorithm has the disadvantages of poor exploitation and slow convergence speed. According to the defects, a differential evolution binary artificial bee colony algorithm based on global best is proposed. Referring to particle swarm optimization, global best parameter is incorporated into BABC algorithm to raise the exploitation capacity. Inspired by crossover operation in differential evolution algorithm, multidimensional neighborhood search strategy is applied to improve convergence speed. The 0-1 knapsack problem is simulated. The simulation results show that compared with the traditional algorithm, the proposed algorithm’s search ability is enhanced and its convergence speed is improved obviously. For 10-dimension knapsack problem, the convergence speed of the proposed algorithm is faster than that of basic BABC algorithm nearly 10 times.

Key words: basic binary artificial bee colony algorithm, Particle Swarm Optimization（PSO）, differential evolution, global best, multidimensional neighborhood search, 0-1 knapsack

刘婷1，2，张立毅1，2，鲍韦韦3，邹康3. 全局最优引导的差分演化二进制人工蜂群算法[J]. 计算机工程与应用, 2013, 49(6): 43-47.

LIU Ting1，2, ZHANG Liyi1，2, BAO Weiwei3, ZOU Kang3. Differential evolution binary artificial bee colony algorithm based on global best[J]. Computer Engineering and Applications, 2013, 49(6): 43-47.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[5]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.
[6]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[7]	陈秋菊，徐建国. 优化正交匹配追踪和短时谱估计用于声音识别[J]. 计算机工程与应用, 2020, 56(7): 162-169.
[8]	封雪梅，张志毅，杨龙. 分形维数的全局点云初始配准算法[J]. 计算机工程与应用, 2020, 56(5): 234-241.
[9]	张水平，李殷俊，高栋，梁文. 带有动态爆炸半径的增强型烟花算法[J]. 计算机工程与应用, 2020, 56(18): 50-57.
[10]	黄建琼，郭文龙. 混合粒子群和改进细菌觅食的不平衡数据分类[J]. 计算机工程与应用, 2020, 56(10): 171-178.
[11]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[12]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[13]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[14]	汤深伟，贾瑞玉. 基于改进粒子群算法的[k]均值聚类算法[J]. 计算机工程与应用, 2019, 55(18): 140-145.
[15]	王燕燕1，王宏伟1，2. 基于粒子群的后件多项式RBF神经网络算法[J]. 计算机工程与应用, 2019, 55(12): 72-76.