一种基于蜜蜂双种群进化的遗传算法

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (11): 71-74.

一种基于蜜蜂双种群进化的遗传算法

卢雪燕^1,2,周永权¹

1.广西民族大学数学与计算机科学学院，南宁 530006
2.梧州学院计算机与电子信息工程系，广西梧州 543002

收稿日期:2007-07-24 修回日期:2007-09-28 出版日期:2008-04-11 发布日期:2008-04-11
通讯作者: 卢雪燕

Genetic algorithm based on double bee population evolutionary

LU Xue-yan^1,2,ZHOU Yong-quan¹

1.College of Mathematic and Computer Science，Guangxi University for Nationalities，Nanning 530006，China
2.Department of Computer and Electronic Information Engineer，Wuzhou University，Wuzhou，Guangxi 543002，China

Received:2007-07-24 Revised:2007-09-28 Online:2008-04-11 Published:2008-04-11
Contact: LU Xue-yan

摘要/Abstract

摘要： 提出了一种基于蜜蜂双种群进化的遗传算法（BDPGA）。算法共有两个种群，一个是通过迭代进行遗传操作得到的，一个是在每代进化过程中随机引入的。每个种群中的最优个体作为蜂王分别以概率与其它个体（雄蜂）进行交配操作。既能增强对种群最优个体所包含信息的开采能力，又能提高算法的勘探能力，从而避免算法过早地收敛。实验结果表明，该算法对于改进和提高遗传算法性能是有效可行的。

关键词: 双种群, 蜜蜂, 进化, 遗传算法

Abstract: In this paper，a Double Bee Population Evolutionary Genetic Algorithm（BDPGA） is proposed.In BDPGA，there is double bee population.One is from generation by the BDPGA，the other is a random population，and consequentially it enhances the exploration of genetic algorithm.Optimum individual being a queen-bee in each population crossover with each selected individual（drone）.As a result it reinforces the exploitation of genetic algorithm，avoids premature convergence，and extends search area.The experiments results show that BDPGA is an efficient and effective improved genetic algorithm.

Key words: double population, bee, evolution, genetic algorithm

卢雪燕^1,2,周永权¹. 一种基于蜜蜂双种群进化的遗传算法[J]. 计算机工程与应用, 2008, 44(11): 71-74.

LU Xue-yan^1,2,ZHOU Yong-quan¹. Genetic algorithm based on double bee population evolutionary[J]. Computer Engineering and Applications, 2008, 44(11): 71-74.

[1]	邹杰，李俊. 多策略协方差矩阵学习差分进化算法[J]. 计算机工程与应用, 2021, 57(7): 78-87.
[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]	李昱奇，刘志乾，程凝怡，王莹莹，朱春丽. 多约束条件下无人机航迹规划[J]. 计算机工程与应用, 2021, 57(4): 225-230.
[4]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[5]	李倩，蒋丽，梁昌勇. 基于模糊时间窗的多目标冷链配送优化[J]. 计算机工程与应用, 2021, 57(23): 255-262.
[6]	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.
[7]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[8]	曹立佳，刘洋. 制造车间自动导引车调度新进展[J]. 计算机工程与应用, 2021, 57(21): 59-67.
[9]	陈倩茹，李雅丽，许科全，刘铱龙，王淑琴. 自调优自适应遗传算法的WKNN特征选择方法[J]. 计算机工程与应用, 2021, 57(20): 164-171.
[10]	钱峥远，曾国荪. 精英化岛屿种群引导的差分进化算法[J]. 计算机工程与应用, 2021, 57(20): 73-81.
[11]	石宇强，田永政，张雨琦，石小秋. 运用含复杂网络结构的多种群遗传算法求解FJSP[J]. 计算机工程与应用, 2021, 57(2): 257-266.
[12]	周原令，胡晓兵，江代渝，李航. 基于改进NSGA-II的车间排产优化算法研究[J]. 计算机工程与应用, 2021, 57(19): 274-281.
[13]	代江涛，韩晓龙. 考虑作业状态能耗的集装箱码头设备协调调度[J]. 计算机工程与应用, 2021, 57(19): 290-298.
[14]	白首华，郭广颂，胡天彤. 交互式多目标文化算法优化多模态混合指标[J]. 计算机工程与应用, 2021, 57(17): 80-87.
[15]	冯晓东，黄世荣，戴冠鸥，杨伟家，罗尧治. 天牛须遗传杂交算法的研究与应用[J]. 计算机工程与应用, 2021, 57(15): 90-100.