猴群爬过程启发的人工蜂群优化算法

“学习猴群爬过程的人工蜂群优化算法” 本文主要探讨了人工蜂群算法（Artificial Bee Colony, ABC）的一种改进策略，旨在解决该算法在迭代后期容易陷入局部最优的问题。人工蜂群算法作为一种群智能优化算法，其优势在于每次迭代同时进行全局和局部搜索，从而提高找到最优解的概率。然而，这种算法也存在缺陷，即随着迭代的进行，可能会导致算法的收敛速度减慢，甚至停滞于次优解。 为了改善这一状况，研究人员借鉴了猴群算法（Monkey Algorithm）中的爬过程，并将其应用到人工蜂群算法的采蜜蜂阶段。猴群算法通常以群体中的个体随机探索和模仿优秀解决方案的方式来优化问题，而爬过程是猴群算法中增强局部搜索的一个关键步骤。在本文中，作者将猴群算法的这一特性融合到人工蜂群的采蜜蜂阶段，期望能增强算法在局部区域的搜索能力，从而帮助算法跳出局部最优，寻找更接近全局最优的解决方案。 作者通过对比实验展示了改进后的人工蜂群算法与传统ABC算法以及文献中提到的一些其他改进版本之间的性能差异。这些对比包括：交互人工蜂群算法（Interactive Artificial Bee Colony algorithm），采用Boltzmann选择机制的算法，混沌序列引入的初始化和侦察蜂阶段的算法，以及结合差分进化算子和混沌序列的观察蜂更新蜜源阶段的算法。实验结果表明，引入猴群爬过程的人工蜂群优化算法在一定程度上提高了优化性能，并且对于测试函数的最优值求解更为准确，更接近理论最优解。 此外，文章还提到了来自不同机构的研究人员对此领域的贡献，例如广西民族大学信息科学与工程学院和东盟学院的贾瑞民、何登旭和石绍堂等。他们的工作不仅丰富了群智能算法的理论研究，也为实际问题的求解提供了新的思路和方法。 这篇文章的核心贡献在于提出了一种结合猴群算法爬过程的人工蜂群优化策略，以增强局部搜索能力，避免算法陷入局部最优，从而提升整体优化效果。这一改进策略为优化问题的求解提供了一个新的视角，并在实际应用中具有较高的潜力。