封 硕，刘 琨

(1.长安大学 机械工程学院 陕西 西安 710061；2.长安大学 理学院 陕西 西安 710061)

0 引言

人工蜂群算法(artificial bee colony，ABC)是模仿蜜蜂群体采蜜行为提出来的一种启发式智能优化算法，与遗传算法(genetic algorithm，GA)[1]、差分进化算法(differential evolution，DE)[2]、蚁群算法(ant colony optimization，ACO)[3]和粒子群算法(particle swarm optimization，PSO)[4]相比，由于ABC算法具有参数少、精度高和结构简单易实现等优点，近几年来受到广泛的关注，并被应用到数据挖掘[5]、生产调度[6]和信息处理[7]等领域。

与其他优化算法相似，ABC算法在解决复杂优化函数时，存在收敛速度慢、算法后期种群多样性下降及易陷入局部最优解等缺点。许多学者对其进行改进，主要在提高算法的收敛速度、增加种群的多样性以及改进算法的寻优机制等方面尝试。Gao等提出了基于差分进化算子的改进人工蜂群算法[8]；Zhu等受到粒子群算法的影响，利用最优解指导雇佣蜂的局部搜索[9]；魏锋涛等引入量子行为模拟蜂群求解过程[10]；赵玉霞等受到猫群思想搜索过程启发，对较优解与较差解分别执行搜寻与跟踪模式[11]。

以上研究主要改进了搜索公式，提升了算法的寻优效率。但仍存在不足之处：首先，在初始化阶段中随机产生初始种群，其随机性导致种群的多样性不足，不利于算法求得潜在最优解。其次，雇佣蜂搜索过程中仅利用先前个体的信息产生候选解,这种机制利于勘探不利于开发。最后，算法后期种群多样性下降，导致算法收敛速度慢。为解决以上问题，本文在初始化阶段利用反向学习策略，根据种群的适应度值贪婪选择较优的初始个体，扩大种群的多样性，提高解的质量，加强算法跳出局部最优解的能力。……