改进人工蜂群算法：最小化时间成本效率提升

本文主要探讨了一种改进的人工蜂群算法（Improved Artificial Bee Colony, IABC），该算法旨在最大限度地减少时间成本。人工蜂群算法（Artificial Bee Colony, ABC）作为一种广泛应用的启发式优化算法，因其较少的控制参数而备受青睐，尽管在探索搜索方面表现出色，但在局部搜索和收敛速度上相对较弱。 传统的ABC算法在解决全局优化问题时依赖于蜂群中的局部信息，如当前最优解和食物源位置，但其在全球最优解（Global Best, GB）的引导作用上有所欠缺。为了弥补这一不足，研究人员借鉴了粒子群优化的思想，发展出全球最优引导的ABC（Global Best-guided ABC, GABC）。然而，GABC主要针对连续优化问题，并不适于处理二进制优化问题，这限制了其应用范围。 作者提出的IABC算法在原有的ABC基础上进行了关键改进。首先，IABC引入了新的食物源更新策略，不仅考虑蜂群的个人最优解（Personal Best, PB），还融合了全局最优解的信息，从而增强算法的局部搜索能力。这种融合有助于在保持探索性的同时，提高算法的精度和收敛速度。 为了验证IABC的有效性，作者在四组UCI（University of California, Irvine）数据集上进行了系列实验。实验结果显示，与传统ABC算法相比，IABC在处理二进制优化问题——最小化时间成本问题时，明显提升了效率和性能。这些结果表明，通过结合全局和局部信息，IABC算法能够更有效地在优化过程中找到更优解，显著降低了时间成本，对于实际工程中的高效求解具有重要意义。 这项研究不仅拓展了人工蜂群算法的应用领域，而且提高了其在特定优化任务中的表现，为解决复杂的时间成本优化问题提供了一个有效的工具。未来的研究可以进一步探索IABC与其他优化算法的融合，以及在更多实际场景下的性能评估。