向万里 ，安美清 ，何瑞春 ，张静芳 ，马昌喜

1.兰州交通大学 交通运输学院，兰州 730070

2.天津大学 系统工程研究所，天津 300072

基于搜索能力均衡的人工蜂群算法

向万里1，2，安美清1，何瑞春1，张静芳1，马昌喜1

1.兰州交通大学 交通运输学院，兰州 730070

2.天津大学 系统工程研究所，天津 300072

1 引言

人工蜂群算法（Artificial Bee Colony，ABC）是由土耳其开塞利大学教授Karaboga D于2005年首先提出的一种模仿自然界蜂群集体觅食行为的群体智能优化算法[1]。随后，Karaboga D与Basturk B将ABC用于约束优化问题的求解[2]，紧接着，Karaboga D与Akay B将ABC与遗传算法（GA）、粒子群算法（PSO）、差分进化（DE）等元启发式算法在由近50个函数组成的测试平台上进行了全面的性能比较，发现ABC总体上优于GA、PSO和DE。加之ABC算法结构简单、控制参数少、无需梯度信息、易于实现等优点，近来受到越来越多的学者所关注，并已在函数优化[1，3-8]、多目标优化[9]、离散优化[10-12]等领域得到广泛的应用。

然而，ABC算法各主要阶段（雇佣蜂阶段、跟随蜂阶段和侦察蜂阶段）涉及的解搜索方程更适合于全局探索（Exploration），局部开发能力（Exploitation）欠佳[8]，从而导致ABC的收敛精度和收敛速度还有待进一步提高。为此，众多学者从各方面进行改进以提高ABC的收敛性能。例如：Akay B和Karaboga D[4]在ABC解搜索方程中引入一个扰动概率参数MR（Modify Rate）用以确定每次进化过程中每个个体会有多少个分量发生扰动，并在此基础上提出一个自适应尺度因子ASF（Adaptive Scaling Factor）来控制扰动的大小，从而形成一种改进的人工蜂群算法MABC，并取得了不错的收敛效果；Atalas B[5]则通过引入混沌映射实现种群初始化及在侦察蜂搜索阶段利用混沌映射实现混沌搜索，进而提出混沌人工蜂群算法CABC，并且在不同混沌映射作用下作了性能比较分析，指出CABC比ABC取得了更好的收敛精度及更易于跳出局部最优；……