改进的DHABC算法：角色转换提升搜索性能

本文主要探讨了一种创新的计算机工程与应用领域的研究——具有角色转换的自适应人工蜂群算法（DHABC）。该算法是基于人工蜂群算法（ABC）的一种改进，针对标准ABC算法在复杂函数优化中的局限性，如容易陷入局部最优、收敛速度较慢和计算精度不足等问题，设计了一种动态协调机制。 首先，作者指出ABC算法因其结构简单、易于实现、无需梯度信息且参数较少，而成为众多研究者关注的焦点，它在函数优化、人工神经网络训练等领域表现出色。然而，为了提升算法的性能，研究者们不断寻求改进策略。比如，参考粒子群算法的全局最优信息更新策略，文献提出GABC算法；模仿差分进化算法的局部搜索策略，ABC/best算法被提出；还有通过反向学习法优化初始化过程以增强种群多样性，以及利用领域搜索法改进跟随蜂的蜜源搜索策略。 在本文中，DHABC算法的核心在于引领蜂与跟随蜂的角色转换机制。这种机制根据优化函数的当前状态动态调整两者之间的角色，既保证了全局搜索的广度，又提升了局部搜索的深度。同时，引入了引领蜂与跟随蜂之间的位置信息共享，使得算法能够在全局和局部搜索之间找到平衡，增强了搜索效率。 为了进一步加快求解速度，文章还设计了跟随蜂的进化代数起始值计算方法，这种方法可能基于先前的搜索经验或者某种学习策略，使得算法在早期阶段就具备一定的导向性。 通过一系列的仿真和比较实验，DHABC算法显示出相较于其他ABC改进算法以及智能优化算法，不仅具有较少的参数，易于在实际应用中部署，而且在求解精度上也有所提升。这表明了作者提出的改进策略对于提高人工蜂群算法的性能是有效的，并且有潜力在更广泛的工程和科学问题中取得优异的优化结果。 总结来说，这篇论文的主要贡献在于提出了一种新的自适应算法框架，通过角色转换和策略优化，增强了人工蜂群算法在复杂优化问题上的表现，为计算机工程与应用领域提供了新的优化工具。