NMSM-IABC：基于Nelder-mead的改进人工蜂群算法研究

本文主要研究了一种改进的人工蜂群算法，即基于Nelder-mead单纯形法的改进人工蜂群算法（NMSM-IABC），以解决原ABC算法在进化速度和求解质量上的不足。该算法通过周期性地交换Nelder-mead单纯形法与ABC中的最优信息，实现两者的协同搜索，增强了局部搜索能力和跳出局部最优的能力。同时，文中还介绍了一种改进的跟随蜂搜索策略以加快收敛速度，并对关键参数进行了灵敏度分析。 在引言部分，人工蜂群算法（ABC）被介绍为一种模拟蜜蜂采蜜行为的群体智能优化算法，因其简单结构和较少参数设置而受到广泛关注，并在函数优化、工程优化等领域得到广泛应用。文献比较了ABC与其他优化算法（如差分进化算法和粒子群优化算法），证明了ABC在处理某些优化问题时的优势。然而，ABC的收敛性能仍有待提升，为此，研究者们提出了多种改进策略。 本文的核心贡献在于提出NMSM-IABC算法。该算法结合了Nelder-mead单纯形法的局部搜索能力，通过将最优个体在两种算法间迁移，以增强全局搜索和局部搜索的平衡。Nelder-mead单纯形法是一种无梯度优化方法，能有效探索解决方案空间，而ABC则擅长全局搜索。这种结合使得算法既能快速找到可能的全局最优解，又能避免过早陷入局部最优。 此外，为了进一步加速算法的收敛速度，文中引入了改进的跟随蜂搜索策略。跟随蜂在寻找新蜜源时采用了更有效的策略，这有助于发现更优解并促进整个蜂群的进化。同时，作者对产生侦察蜂的关键参数进行了灵敏度分析，以确定最佳参数设置，确保算法的稳定性和效率。 通过六个典型多维测试函数的仿真测试，结果证实了NMSM-IABC算法的有效性。它成功地避免了陷入局部最优，提高了搜索精度和全局搜索能力，并展现出较快的收敛速度。这表明，NMSM-IABC算法是一种有潜力的协同搜索方法，有望在实际优化问题中发挥重要作用。 这项研究提出了一种创新的优化算法，通过结合Nelder-mead单纯形法与人工蜂群算法的优点，提高了优化算法的性能，对于优化问题的解决具有重要的理论和实践意义。未来的研究可以进一步探讨该算法在更多复杂优化问题上的应用，以及如何进一步优化其性能。