人工蜂群算法是2005年土耳其注明学者提出的,理论较新颖,是学习算法最佳的算法
提出一种基于进化知识融合的多目标人工蜂群算法.首先,采用精英群体知识和种群自身进化知识混合引导引领蜂进化,保持种群的多样性和优异性;然后,将一种融合个体支配关系和种群分布关系的方法引入跟随蜂的概率选择
针对人工蜂群(ABC)算法开发能力差、收敛速度慢的缺点,分别提出适用于雇佣蜂和观察蜂阶段的搜索方程,其中前者用到精英解、随机选择个体及其邻域的有益信息,后者用到群体最优解的信息.所提出的搜索方程在一定
人工蜂群算法(ABC)原理介绍,包含详细PDF文档及MATLAB源码,简单易学,非常好用!
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
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。
针对差分进化算法易出现早熟现象和收敛速度慢等问题, 提出一种具有人工蜂群搜索策略的差分进化算 法. 利用人工蜂群搜索策略很强的探索能力, 对种群进行引导以帮助算法快速跳出局部最优点. 此外, 为了提高
人工蜂群算法是群智能算法,可以解决一些组合优化问题,本文将它应用在并行测试的任务调度中,并通过实验验证该方法有效的提高了计算速度