王贞 李旭飞

摘要：针对人工蜂群算法探索能力强而开发能力较弱的问题，提出一种基于环形拓扑的遗传学习人工蜂群算法。算法中引入环形拓扑遗传学习策略来生成精英个体，可以增加种群多样性，保证算法的探索能力。同时，在搜索方程中利用精英个体和全局最优个体进行搜索引导，可以提高算法的开发能力，加快算法的收敛速度。通过对6个标准测试函数实验，与其他算法比较发现.所提出的算法较其他算法具有较好的优化性能。

关键词：遗传学习;人工蜂群算法;环形拓扑

中图分类号：TP301.6文献标志码：A

0 引言

2005年Karaboga通过模拟蜜蜂群体觅食行为提出了人工蜂群算法（Artificial Bee Co10ny Algorithm，ABC）。自ABC算法提出以来，由于其良好的优化性能，受到学者们的广泛关注，对ABC算法改进及应用进行了大量研究。过去十几年间，尽管ABC算法得到了有效的改进，但仍存在一些挑战。与其他基于种群的算法类似，ABC算法在优化过程中仍然存在收敛性弱的问题。这一问题与算法中的随机搜索方向和随机步长有关，ABC算法具有较强的探索能力，而开发能力较弱。一般而言，算法的探索能力和开发能力是互相对立的，因此为了提高算法的性能，有必要在算法的探索能力和开发能力间寻求平衡。基于以上分析，本论述采用环形拓扑遗传学习机制，以此平衡算法的探索能力和开发能力，提出基于环形拓扑遗传学习的人工蜂群算法（Genetic learning artificial bee co10ny algorithmwith ring topo10gy，ABC-RTGL）。

ABC-RTGL算法中采用遺传学习策略生成精英个体，并在搜索方程中利用精英个体和全局最优个体进行引导，增强算法的开发能力。……