毕晓君，王艳娇

(哈尔滨工程大学 信息与通信工程学院，黑龙江 哈尔滨 150001)

Karaboga于2005年成功提出了解决函数优化问题的人工蜂群算法(artificial bee colony algorithm，ABC算法)［1］，并与差分进化算法、粒子群算法等进行了比较，确定了ABC算法在函数优化方面的优越性，算法无需设置很多参数，操作简单，特别适合工程应用.然而，作为一种新的搜索算法，它的理论研究尚处于初级阶段，文献［2-3］分别引用联赛选择和boltzmann选择方式代替ABC算法中的轮盘赌选择方式;文献［4］引入遗传交叉因子增加种群多样性，都在一定程度上降低了陷入局部最优的可能，但收敛速度和精度并不高.为此，本文通过深入研究，借鉴自由搜索算法中提出的信息素、灵敏度模型代替轮盘赌方式进行选择并引入OBL策略提出一种改进的人工蜂群算法，在此基础上，结合NIT技术提出一种新的多峰优化方法.优化9个被广泛选用的标准测试函数及5个多峰函数优化实例.

1 人工蜂群算法

ABC算法模拟实际蜜蜂采蜜机制处理函数优化问题，将人工蜂群分为3类:引领蜂、跟随蜂和侦查蜂，引领蜂、跟随蜂用于蜜源的开采，侦查蜂避免蜜源种类过少［1］.优化问题的解及相应的函数值抽象为蜜源的位置和花蜜的数量.寻找最优蜜源的过程如下:随机产生2N个位置，取较优异的N个作为蜜源位置，引领蜂发现蜜源并记忆，在各蜜源附近按式(1)搜索新蜜源:

式中:Vij为新的蜜源位置，xij为蜜源的第j维位置，xkj为随机选择的不等于i的蜜源的第j维位置，Rij为［－1，1］间的随……