宋晓宇，赵 月，赵 明

(沈阳建筑大学 信息与控制工程学院, 辽宁 沈阳 110168)

0 引 言

针对基本的人工蜂群算法[1,2](artificial bee colony，ABC)收敛速度慢[3]、开发能力[4]不足等问题，国内外学者根据不同应用背景提出不同的改进版本。其中部分学者通过改进搜索策略[5-7]提升ABC性能。而随着优化问题的日趋复杂，单一的搜索策略具有一定的局限性。一些学者提出具有多个搜索策略的改进算法：Kiran等[8]提出具有5个策略候选池的ABCVSS算法,并根据每个策略成功更新解的次数选择搜索策略；Lin等[9]在雇佣蜂阶段使用一个有邻域最优个体引导的搜索策略，观察蜂以自适应机制选择有最优解以及精英解引导的两个搜索策略，提出ABCLGII算法；Xiang等[10]引入重力模型到ABC算法中，并采用选择概率分别为95%、3%和2%的3个搜索策略，提出 ABCG 算法。

为平衡人工蜂群算法的探索与开发能力，本文提出多策略混合搜索的人工蜂群算法。在雇佣蜂阶段提出两个基于随机解搜索的搜索策略用于保持算法的探索能力，并分配不同的混合比例；观察蜂阶段修改两个搜索策略，引入精英解[11]作为搜索起点来提高算法的开发能力，并采用与雇佣蜂相同的混合比例，达到探索与开发的平衡，从而提升算法的搜索效率。

1 人工蜂群算法

人工蜂群算法是由土耳其大学的karaboga提出，模拟生物学中蜜蜂的智能采蜜行为。用于解决多变量函数优化问题。ABC算法中包括3种类型的蜜蜂：雇佣蜂，观察蜂，侦察蜂[12-14]。ABC算法的搜索过程主要分为以下几个阶段：

初始……