人工蜂群(ABC) 算法存在着收敛速度不够快、易陷入局部最优的缺陷. 针对这一问题, 提出一种改进的人工蜂群(DCABC) 算法. 应用反学习的初始化方法产生初始解, 引入分治策略对蜜源进行优化, 在
利用随机过程理论, 对人工蜂群算法收敛性进行理论分析, 给出人工蜂群算法的一些数学定义和蜜源位置 的一步转移概率, 建立人工蜂群算法的Markov 链模型, 分析此Markov 链的一些性质, 论证了
为了克服人工蜂群算法在处理复杂性问题时收敛速度慢、收敛精度不高、易早熟等缺陷, 在原始人工蜂群算法的基础上引入信息熵. 信息熵本身是不确定性的一种度量, 由信息熵的值来度量人工蜂群算法中跟随蜂选择的不
针对K-means 聚类算法过度依赖初始聚类中心、局部收敛、稳定性差等问题, 提出一种基于变异精密搜索的蜂群聚类算法. 该算法利用密度和距离初始化蜂群, 并根据引领蜂的适应度和密度求解跟随蜂的选择概率
用于求解函数优化问题的蜂群算法:一种蜜蜂繁殖优化模型(BMO,BeeMating Optimization) 在文献[3]中,Yang提出一种虚拟蜜蜂算法VBA(virtualbee algorith
介绍了2013年以来国内外蜂群算法的研究成果,包括加快收敛、提高开采能力、提高算法性能方面的改进；针对约束优化、平行化运行、多目标寻优等多方面的研究,以及人工蜂群算法在神经网络、无线传感网、决策调度、
人工蜂群算法的混合策略研究,很好的论文对学习蜂群算法有很好的帮助。
蜂群ABC算法是近年来提出的一种求解优化问题的较新型的仿生进化算法。针对蜂群算法的不足, 依据反向搜索的思想, 提出一种改进的蜂群算法。在改进算法中, 每次邻域搜索之后, 通过比较新旧食物源位置的花蜜
蜂群算法(bee colony algorithm)是一种新的基于仿生学的元启发式优化算法,对解决组合优化问题有很好的结果。提供几篇最新的国外研究论文,想在这方面研究的朋友可以学习和借鉴。
人工蜂群算法(ABC)是一种基于蜜蜂行为的优化算法
