李文霞，刘林忠，代存杰，李玉

（兰州交通大学交通运输学院，兰州 730070）

0 引言

近年来，随着群智能优化算法的高效发展，其在解决复杂优化问题时体现出良好的求解性能，受到学者们的广泛关注，群智能优化算法源于对自然界中生物群体行为的模拟，主要包括遗传算法［1］、蚁群算法［2］、粒子群算法［3］、人工蜂群（Artificial Bee Colony，ABC）算法［4］等。遗传算法对自然界中生物的自然淘汰进化过程进行模拟，主要通过交叉、变异、选择算子来实现，该算法的改进方向包括自适应算子的引入［5］、多种群方式的改进［6］、编码技术的改进［7］及混沌理论的加入［8］等角度；蚁群算法模拟蚂蚁觅食行为，通过信息素的正反馈机制寻找自蚁巢到食物源的最短路径，近年来蚁群算法的改进主要集中在信息素的更新策略［9］及路径选择策略［10］两个方面；粒子群算法对生物界鸟类觅食行为进行模拟，通过对全局极值的对比，及时调整粒子的搜索速度与方向，相关学者从粒子群多样性的控制［11］、算法中参数的改进［12］、初始化过程中粒子拓扑结构的优化［13］等方面出发对算法进行改进。上述群体智能算法的优化改进逐渐趋于成熟，一些新型群体智能算法的提出受到了国内外学者的广泛关注。

受蜜蜂群体觅食行为启发，Karaboga［4］于2005 年提出了人工蜂群（ABC）算法。相较于其他群体智能算法，人工蜂群算法中的劳动分工和协作机制有效提高了算法的全局搜索能力，同时正反馈的寻优策略加快了全局寻优过程，求解效率更高，并且在求解连续优化问题和组合优化问题时均表现出优越的性能，具有广泛的适用性，已在神经网络训练［14］、系统工程设计［15］、聚类分析［16］和图像信号处理［17］等众多领域得到了广泛应用。……