人工蜂群算法的混合策略研究

人工蜂群算法是用以解决复杂优化问题的新方法，具有收敛速度快、优化性能高等特点.将人工蜂群算法与粒子滤波相结合应用于信道估计可以摆脱常规方法对线性高斯条件的束缚，具有理论依据和现实意义.结合2种算法的优

针对人工蜂群算法在求解函数优化问题中存在收敛精度不高、收敛速度较慢的问题，提出了一种改进的增强寻优能力的自适应人工蜂群算法。该算法利用逻辑自映射函数产生混沌序列对雇佣蜂搜索行为进行混沌优化，并引入萤火

针对离散隐马尔可夫（DiscreteHiddenMarkovModel，DHMM）语音识别系统中LBG算法对初始码书的依赖性和易陷入局部最优解的问题，采用人工蜂群（ArtificialBeeColon

针对标准人工蜂群算法收敛速度慢和易陷入早熟收敛等问题, 提出一种快速收敛人工蜂群算法。首先借助反向学习理论初始化种群来提高初始解的分布质量, 并在雇佣蜂和跟随蜂阶段引入向量整体扰动搜索方程加快局部搜索

传统的人工蜂群算法（ArtificialBeeColonyalgorithm，ABC）及其在多目标上的扩展（MultiObjectiveArtificialBeeColonyalgorithm，MOA

针对传统人工智能算法早熟收敛问题,基于模糊化处理和蜂群寻优的特点,提出一种模糊人工蜂群算法,将模糊输入/输出机制引入到算法中来保持蜜源访问概率的动态更新。根据算法计算过程中的不同阶段对蜜源访问概率有效

移动通信网络中频率资源是有限的，为了提高无线资源的利用率，将改进的人工蜂群算法用于解决无线信道分配问题。提出的算法用逐步减小邻域搜索范围的动态步长来均衡局部与全局搜索能力；对单个体引入选择性变异技术，

针对标准粒子群算法存在收敛速度慢和易陷入局部最优等问题，提出了一种基于健康度的人工蜂群粒子群算法。通过动态地对各个粒子的健康状况进行评价，对正常粒子和病态粒子分别进行处理，避免无效搜索，提高算法的收敛

针对基于人工蜂群搜索算子的量子粒子群算法（IQPSO）求解精度不理想，收敛速度慢等问题，将一种更新全局最优的新策略融入到IQPSO算法中，引入双中心粒子，将IQPSO算法得到的全局最优解进行多种群划分

Matlab编写的人工蜂群算法代码，含详细注释和测试函数，简短易懂，执行顺畅。可用于解决无约束优化问题。