Using Artificial Bee Colony Algorithm for MLP Training on Earthquake Time Series Data Prediction
Universiti Tun Hussein Onn Malaysia（马来西亚 Hussein Onn 大学）
近年来，计算机科学家对利用神经网络研究社会性昆虫的行为表现出极大的兴趣，以解决各种组合和统计问题。其中最主要的是人工蜂群（ABC）算法。本文研究了使用ABC算法，模拟智能觅食行为的蜜蜂群。用标准反向传播算法训练的多层感知器（MLP）通常利用计算密集型训练算法。反向传播（BP）算法的关键问题之一是，它有时会产生次优的权重，因为在解空间中存在许多局部最优的网络。为了克服在这项工作中使用的ABC算法来训练MLP学习由BP训练的地震时间序列数据的复杂行为，MLP-ABC的性能与标准BP的MLP训练进行基准测试。实验结果表明，对于时间序列数据，MLP-ABC的性能优于MLP-BP。
2011-12-20 cs.AI cs.LG cs.NE
Multi Circle Detection on Images Using Artificial Bee Colony (ABC) Optimization
Universidad de Guadalajara, CUCEI（瓜达拉哈拉大学）
Hough变换（HT）是圆检测中最常用的方法，具有鲁棒性，但需要大量的计算工作量和大量的存储器需求。替代方法包括采用迭代优化过程来检测多个圆的探试法。由于在每个优化周期只能标记一个圆，因此必须强制执行多个执行以实现多检测。本文提出了一种自动检测多个圆形的算法，认为整个过程是一个多模态优化问题。该方法是基于人工蜂群（ABC）算法，一个群体优化算法的启发智能觅食行为的蜜蜂。与原来的ABC算法，所提出的方法提出了一个存储器丢弃的解决方案。这样的存储器允许保存关于在优化过程期间可能已经出现的其他局部最优的重要信息。检测器使用三个非共线边缘点的组合作为参数来确定圆候选者。匹配函数（花蜜量）确定这样的圆形候选者（蜜蜂食物源）是否实际存在于图像中。在这种匹配函数的值的指导下，通过ABC算法来演化编码的候选圆的集合，使得最佳候选（全局最优）可以被拟合到仅边缘图像内的实际圆中。然后，执行对所结合的存储器的分析，以便识别潜在的局部最优，即，其他圈子。
2014-06-25 cs.CV cs.NE
Improved Binary Artificial Bee Colony Algorithm
Karabuk University（卡拉比克大学）
人工蜂群算法是一种基于群体智能的进化优化算法，它是受蜜蜂觅食行为的启发而提出的。由于ABC算法已经被开发为通过在连续搜索空间中搜索来获得最优解，因此需要修改以将该方法应用于二元优化问题。本文对ABC算法进行了改进，将其用于求解二元优化问题，并称之为改进的二元人工蜂群算法（improved binary Artificial Bee Colony，ibinABC）。该方法包括一个更新机制的基础上的适应值和处理不同数量的决策变量。因此，我们的目标是防止ABC算法陷入局部极小值，通过增加其探索能力。我们比较了ibinABC算法的ABC和其他元启发式算法在文献中的三个变种。为了比较，我们使用著名的OR库数据集包含15个问题的情况下准备的无能力的设施选址问题。计算结果表明，该方法在收敛速度和鲁棒性方面优于其他方法。该算法的源代码将在审查过程后在GitHub上提供
2020-04-20 cs.AI cs.NE
Convergence and Running Time of Time-dependent Ant Colony Algorithms
本文研究时变蚁群算法的收敛性与运行时间，证明GBAS/tdev在稍强蒸发率下以概率1收敛到最优解，并发现n-ANT的两种时变变体在单目的地最短路径问题上分别呈现超多项式下界和多项式上界的不同时间复杂度特性。
2025-01-18 cs.DS cs.NE
Evaluation the efficiency of artificial bee colony and the firefly algorithm in solving the continuous optimization problem
Islamic Azad University（伊斯兰阿扎德大学）
目前，元启发式算法在求解连续优化问题中得到了广泛应用。本文对人工蜂群算法和萤火虫算法进行了评价。为了进一步分析算法的有效性，并对解集有限且最优点接近的连续优化问题进行了测试。因此，本文给出了ABC算法和FA算法求解连续优化问题的效率，并从求解最优解的精度、求解时间和最优解的可靠性等方面对ABC算法和FA算法进行了研究。
2013-09-16 cs.AI cs.NE
ABC-SG: A New Artificial Bee Colony Algorithm-Based Distance of Sequential Data Using Sigma Grams
Norwegian University of Science and Technology (NTNU)（挪威科技大学）
相似性搜索问题是计算机科学中的主要问题之一。该问题在文本检索、网络搜索、计算生物学、生物信息学等领域有着广泛的应用。两个数据对象之间的相似性可以使用相似性度量或距离度量来描述。在文献中有许多距离度量，一些用于特定的数据类型，而另一些则更通用。在本文中，我们提出了一个新的距离度量的顺序数据，这是基于n-gram的总和。我们的距离的新颖之处在于，这些n元语法使用人工蜂群进行加权;这是一种基于蜂群寻找花蜜的集体智慧的最新优化算法。该算法已被用于优化大量的数值问题。我们通过实验验证了新的距离。
2013-12-05 cs.AI cs.NE
Memetic Artificial Bee Colony Algorithm for Large-Scale Global Optimization
University of Maribor（马里博尔大学）
模因计算（MC）是近年来出现的一种新的高效算法，用于解决最困难的优化问题。另一方面，人工蜂群（ABC）算法在求解连续优化和组合优化问题时表现出良好的性能。本研究试图在同一屋檐下使用这些技术。因此，一个模因ABC（MABC）算法已被开发，这是杂交与两个本地搜索算法：Nelder-Mead算法（NMA）和方向开发的随机游走（RWDE）。前者更多地关注于探索，而后者更多地关注于搜索空间的利用。为了控制勘探与开采之间的平衡，采用了随机适应规则。该MABC算法在2012年IEEE演化计算大会上被应用于大规模连续全局优化的特殊套件。MABC得到的结果与DECC-G、DECC-G* 和MLCC的结果相当。
2012-06-05 cs.AI cs.NE
Experiment Study of Entropy Convergence of Ant Colony Optimization
Sichuan Normal University（四川师范大学）；Chengdu University of Technology（成都理工大学）
蚁群算法在组合优化领域有着广泛的应用。但在一般情况下对蚁群算法收敛性的研究还很少。本文试图寻找证据证明熵与蚁群算法的收敛性，特别是与最小收敛迭代次数的估计有关。熵是研究一般条件下蚁群算法收敛性的一个新的视角。关键词：蚁群算法，收敛性，熵
2009-10-25 cs.AI cs.NE
A Novel Hybrid Crossover based Artificial Bee Colony Algorithm for Optimization Problem
Jagannath University（贾格纳特大学）
人工蜂群算法在解决包括工程优化问题在内的许多问题中发挥着重要作用。ABC算法是基于自然启发的群体元启发式群体智能方法家族中最流行和最年轻的成员之一。ABC算法在应用于基准函数和实际问题时，已经证明了其优于其他一些自然启发算法（NIA）。ABC搜索过程的性能取决于一个随机值，它试图平衡探索和开发阶段。为了提高算法的性能，需要平衡ABC算法对搜索空间的探索和对最优解的利用。本文提出了一种新的ABC算法和遗传算法的混合算法。该方法将遗传算法的交叉操作与ABC算法相结合。该方法被命名为基于交叉的ABC（CbABC）。由于交叉增强了对搜索空间的探索，因此CbABC加强了ABC的开发阶段。CbABC测试了四个标准基准函数和一个流行的连续优化问题。
2014-07-21 cs.AI cs.NE
An Improved Chicken Swarm Optimization Algorithm for Handwritten Document Image Enhancement
Mysore University（迈索尔大学）
本研究提出一种改进的鸡群优化算法，用于手写文档图像的对比度增强预处理，在保留细节的同时实现增强，效果显著优于现有多种元启发式算法。
2024-10-20 cs.AI cs.CV cs.LG
Evolution of Ant Colony Optimization Algorithm -- A Brief Literature Review
SEECS-NUST（国立科技大学电气工程与计算机科学学院）
蚁群优化算法（Ant Colony Optimization，ACO）是Marco Dorigo在1991年提出的一种基于生物蚂蚁行为的启发式算法。信息素铺设和最短路径的选择与信息素的帮助启发第一蚁群算法的发展。自从第一个这样的算法提出以来，许多研究人员在这一领域进行了工作并发表了他们的研究。虽然最初的结果并不那么乐观，但最近的发展使这种元启发式算法成为群体智能中的一个重要算法。这项研究提出了一个简短的概述，最近的发展进行了ACO算法的应用和算法的发展。在应用方面，提出了多目标优化、连续优化和时变NP难问题。在回顾基于算法开发的文章时，已经研究了杂交和并行架构。
2019-08-27 cs.AI cs.NE
A modified single and multi-objective bacteria foraging optimization for the solution of quadratic assignment problem
Baylor College of Medicine（贝勒医学院）；University of Tulsa（塔尔萨大学）
非多项式困难（NP-困难）问题是具有挑战性的，因为还没有发现多项式时间算法来解决他们在多项式时间。细菌觅食优化（BFO）算法是一种元算法，主要用于解决NP难问题。BFO的灵感来自于细菌觅食的行为，如大肠杆菌（E-coli）。BFO的目的是消除那些具有弱觅食特性的细菌，并将那些具有突破觅食特性的细菌保持在最佳状态。尽管这种算法的强度，大多数问题达到最佳解决方案是时间要求或不可能的。在单目标优化算法中加入变异算子，在多目标优化算法（MOBFO）中加入遗传算法中的变异和交叉算子来更新每一代的解，并采用局部禁忌搜索算法来搜索局部最优解。此外，我们使用了一个快速的非支配排序算法在MOBFO找到最好的非支配解决方案，在每一代。我们通过许多单目标和多目标二次分配问题（QAP）实例评估了所提出算法的性能。实验结果表明，我们的方法优于以往的一些优化算法在收敛和发散的解决方案。
2020-03-12 cs.AI cs.NE
A Novel Metaheuristics To Solve Mixed Shop Scheduling Problems
本文提出了求解一类车间调度问题的元算法。细菌觅食优化算法结合蚁群算法的特点，提出了一种求解混合车间调度问题的自然启发式算法。混合车间调度问题是Job Shop、Flow Shop和Open Shop调度问题的结合。所有提到的车间问题的样本实例被用作测试数据，混合车间生存其计算复杂性，以最小化最大完工时间。计算结果表明，该算法比现有算法具有更好的求解性能。
2013-04-12 cs.NE
HiveNAS: Neural Architecture Search using Artificial Bee Colony Optimization
Staffordshire University（斯塔福德郡大学）
针对传统神经网络开发依赖经验试错、NAS领域元启发式算法研究不足的问题，提出基于人工蜂群优化的NAS框架HiveNAS，其以远少于现有顶尖群智能NAS框架的耗时实现了更优性能。
2023-06-15 cs.AI cs.LG cs.NE
A Novel Rough Set Reduct Algorithm for Medical Domain Based on Bee Colony Optimization
Akshaya College of Engineering and Technology（阿克沙亚工程技术学院）
特征选择是指选择产生最具预测性结果的相关特征的问题。特别地，特征选择任务涉及包含大量特征的数据集。粗糙集理论已经成为特征选择最成功的方法之一。然而，这种方法仍然无法找到最佳子集。本文提出了一种新的特征选择方法的基础上粗糙集理论与蜂群优化（BCO）的混合，试图解决这个问题。将该方法应用于医学领域，并与快速约简、熵约简以及其他混合粗糙集方法如遗传算法、蚁群算法（ACO）和粒子群算法（PSO）进行了实验比较。
2010-06-23 cs.AI cs.LG cs.NE
Enhanced Elephant Herding Optimization for Large Scale Information Access on Social Media
University of Algiers（阿尔及尔大学）；USTHB（侯阿里·布迈丁科技大学）；LRIA（人工智能与实验室研究实验室）
针对社交媒体大规模信息访问中原始大象放牧优化算法性能骤降的问题，结合信息觅食理论提出引入领地划分、族群迁移算子的增强EHO算法，在140余万条推文数据集上验证了其有效性与优越性。
2024-06-16 cs.AI cs.NE
Integrating Fuzzy and Ant Colony System for Fuzzy Vehicle Routing Problem with Time Windows
Maharishi Markandeswar University（玛哈日希·马尔坎德什瓦尔大学）
本文研究了行程时间不确定的模糊VRPTW问题。可信度理论是用来模拟的问题，并指定一个偏好指数，在该指数下，它是希望的旅行时间，以达到客户落入他们的时间窗口。我们提出了基于模糊和蚁群系统的进化算法来解决这个问题，同时保持约束。计算结果的某些基准问题具有短和长的时间范围，以显示该算法的有效性。不同的偏好指数之间的比较已经获得，以帮助用户在作出适当的决定。
2014-11-14 cs.AI cs.CE cs.NE
A Hybrid Artificial Bee Colony Algorithm for Graph 3-Coloring
人工蜂群（ABC）是一种优化算法的名称，它的灵感来自蜜蜂群的智能行为。它被广泛认为是一种快速、可靠、高效的求解优化问题的方法。针对图3-着色这一离散优化问题，提出了一种混合ABC（HABC）算法。HABC的结果与著名的图着色算法的今天，即Tabucol和混合进化算法（HEA）和传统的进化算法与SAW方法（EA-SAW）的结果进行了比较。大量的实验表明，HABC匹配的竞争结果的最好的图着色算法，并做得更好，比传统的算法EA-SAW解决均匀，平坦，随机生成的中型图。
2012-05-06 cs.NE
Improved Onlooker Bee Phase in Artificial Bee Colony Algorithm
人工蜂群算法是一种能够解决非线性、多方面问题的优化策略。它是一种比较直接的现代的基于种群的概率综合优化方法。在静脉的其他人口为基础的算法，ABC此外是计算一流的，由于其缓慢的性质的搜索过程。ABC的解探索方程受任意量的广泛影响，这有助于以开发更好的搜索空间为代价进行探索。在ABC法的解探索方程中，由于步长过大，跳过实际解的机会很大。因此，本文在模因算法的启发下，采用局部搜索策略对蜂群相位进行改进，以平衡ABC算法的多样性和收敛能力。该算法被命名为改进的旁观者蜜蜂相位ABC（IoABC）。它是测试超过12个著名的无偏测试问题的不同复杂性和两个工程优化问题，结果表明，预期的算法去一个更好的基本ABC和它最近的偏差在一个良好的数量的实验。
2014-07-22 cs.NE
Hybrid Ant Colony Optimization in solving Multi-Skill Resource-Constrained Project Scheduling Problem
本文提出了一种求解多技能资源受限项目调度问题的混合蚁群算法。我们提出了混合方法，链接经典的启发式优先级规则的项目调度与蚁群优化（ACO）。此外，提出了一种新的方法来更新信息素值的基础上存储的蚂蚁的最佳和最差的解决方案。本文的目的是研究蚁群算法及其与优先规则的混合算法在求解MS-RCPSP问题中的可用性和鲁棒性。实验已经使用人工创建的数据集实例，基于现实世界的。我们发布了那些可以用作基准的实例。结果表明，基于蚁群算法的混合方法是一种有效的方法。混合算法的搜索过程更有针对性，使得该方法更稳定，并且比经典的蚁群算法提供更好的结果。
2016-03-31 cs.NE
Optimizing Long Short-Term Memory Recurrent Neural Networks Using Ant Colony Optimization to Predict Turbine Engine Vibration
University of North Dakota（北达科他大学）
这篇文章扩展了已经完成的研究，以开发一种能够使用长短期记忆（LSTM）神经元预测飞机发动机振动的递归神经网络（RNN）。LSTM RNN可以为发动机振动的分析计算提供更通用和更强大的预测方法，因为分析计算必须基于特定的经验发动机参数迭代求解，使得这种方法无法在多个发动机中推广。在最初的工作中，提出、评估和比较了多种LSTM RNN架构。这项研究通过使用基于蚁群优化（ACO）的有前途的神经进化方法来开发和增强网络的LSTM细胞结构，从而提高了以前工作中提出的最有效的LSTM网络设计的性能。已经开发了ACO神经进化算法的并行化版本，并将进化的LSTM RNN与以前使用的固定拓扑进行了比较。进化后的网络是在一个大型的飞行数据记录数据库上训练的，该数据库是从一家航空公司获得的，该航空公司的航班遭受了过度振动。结果是在高性能计算（HPC）集群上使用MPI（消息传递接口）获得的，在4天内使用168个核心进化了1000个不同的LSTM单元结构。新进化的LSTM单元显示出1.35%的改进，在预测未来10秒的过度发动机振动时，预测误差从5.51%降低到4.17%，同时将权重从21，170大幅减少到11，810。
2017-10-10 cs.AI cs.NE
Improving Gravitational Search Algorithm Performance with Artificial Bee Colony Algorithm for Constrained Numerical Optimization
本文提出了一种改进的引力搜索算法GSABC。该算法改进了人工蜂群算法（ABC）求解约束数值优化问题的引力搜索算法（GSA）的结果。在GSA中，溶液通过施加重力而相互吸引，重力取决于分配给溶液的质量。最重的质量会比其他质量移动得慢，并吸引其他质量。由于引力的性质，如果某些解陷入局部极小，则GSA可能会通过全局极小。ABC算法更新GSA算法得到的最优解的位置，利用其强大的搜索能力防止GSA算法陷入局部极小。该算法提高了GSA的性能。该方法测试了23个著名的单峰，多峰和固定点多峰基准测试功能。实验结果表明，GSABC优于或表现类似于五个国家的最先进的优化方法。
2017-01-16 cs.NE
A Multi-threshold Segmentation Approach Based on Artificial Bee Colony Optimization
Universidad de Guadalajara, CUCEI（瓜达拉哈拉大学）
本文探讨了使用人工蜂群（ABC）算法计算阈值选择图像分割。ABC算法是一种基于蜜蜂智能行为的启发式算法，已被成功应用于求解复杂优化问题。在该方法中，图像的一维直方图近似通过高斯混合模型，其参数由ABC算法计算。对于近似方案，每个高斯函数表示一个像素类，因此表示一个阈值。与期望最大化（EM）算法不同，基于ABC的方法具有快速收敛性和对初始条件的低敏感性。值得注意的是，它还改进了基于梯度的方法通常需要的复杂耗时的计算。实验结果表明，该算法能够进行自动多阈值选择，但与其他知名算法相比，显示出有趣的优势。
2014-05-28 cs.CV cs.NE
Ant Colony Optimization for Inferring Key Gene Interactions
从基因表达数据推断基因相互作用网络是系统生物学研究的一个重要课题。基因相互作用网络，特别是关键相互作用，在识别疾病的生物标志物方面发挥着重要作用，进一步帮助药物设计。蚁群算法是一种基于自然进化的优化算法，已被应用于许多优化问题。在本文中，我们应用蚁群优化算法从基因表达数据中推断关键基因的相互作用。该算法已经在两种不同的基准数据集上进行了测试，并观察到它成功地识别了一些关键的基因相互作用。
2014-06-06 cs.CE cs.NE
A Novel Paradigm for Calculating Ramsey Number via Artificial Bee Colony Algorithm
Wuhan University of Technology（武汉理工大学）
Ramsey数是Ramsey定理中的一个重要参数。提出了一种构造R（3，10）的Ramsey图的新方法，该方法利用人工蜂群优化算法（ABC）提高了Ramsey数R（3，10）的下界. r（3，10）-图包含两个限制，即既不是3阶完全图，也不是10阶独立集。为了解决这些局限性，在范式中引入了一种特殊的数学模型，将问题转化为离散优化问题，其较小的极小值对应于较大的下界，作为inf R（3，10）的近似。为了证明所提出的方法的潜力，进行了模拟，以尽量减少这两种类型的图的数量。为了支持R（3，10）的当前下界，首次在模拟中报道了四个对inf R（3，10）具有最佳逼近的r（3，9，39）图.实验结果表明，该方法具有精度高、鲁棒性好等优点，是一种成功的基于ABC驱动的Ramsey数计算方法。
2015-12-08 cs.AI cs.NE math.CO
Artificial Bee Colony optimization of Deep Convolutional Neural Networks in the context of Biomedical Imaging
Universidad Carlos III（卡洛斯三世大学）；Instituto de Investigación Sanitaria Gregorio Marañón（格雷戈里奥·马拉尼翁健康研究所）；Centro Nacional Investigaciones Cardiovasculares Carlos III (CNIC)（卡洛斯三世国家心血管研究中心 (CNIC)）；Centro de Investigación Biomédica en Red de Salud Mental (CIBERSAM)（心理健康网络生物医学研究中心 (CIBERSAM)）
针对生物医学图像处理中迁移学习效果不佳和人工设计架构困难的问题，提出混合神经进化算法 Chimera Algorithm，结合人工蜂群算法与进化计算从零生成并精炼深度卷积神经网络，在自然与医学图像数据集上性能超越迁移学习模型。
2024-02-23 cs.AI cs.NE eess.IV
Neural Bee Colony Optimization: A Case Study in Public Transit Network Design
McGill University（麦吉尔大学）
针对交通网络设计问题，本文将神经网络单次路线规划策略作为子启发式融入改进BCO算法，混合方法在现实实例上最高分别提升20%和53%，并通过消融验证各组件作用。
2023-05-18 cs.LG cs.NE
Adaptive Group Collaborative Artificial Bee Colony Algorithm
人工蜂群算法（ABC）作为求解复杂优化问题的一种有效算法，具有很强的竞争力，但与其他基于种群的算法一样，ABC算法在全局搜索能力（称为探索）和局部搜索能力（称为开发）之间的平衡性较差。为了提高ABC算法的性能，提出了一种自适应群体协作ABC（AgABC）算法，该算法将处于不同阶段的种群划分为特定的群体，并为群体中的成员分配具有不同能力的搜索策略，获得最优解的成员或策略将被用于进一步的搜索。在基准函数上的实验结果表明，该算法具有动态机制，在搜索精度和稳定性方面优于其他算法。数值实验表明，该方法可以为复杂的调度问题生成最优解。
2021-12-02 cs.NE stat.ML
Training a Functional Link Neural Network Using an Artificial Bee Colony for Solving a Classification Problems
Universiti Tun Hussein Onn Malaysia（马来西亚敦胡先翁大学）
人工神经网络已经成为一种重要的分类工具，并且已经被广泛用于对非线性可分离模式进行分类。最流行的人工神经网络模型是多层感知器（MLP），因为它能够成功地执行分类任务。然而，由于MLP结构的复杂性以及局部极小值捕获、过拟合和权值干扰等问题，使得神经网络训练困难。因此，避免这些问题的简单方法是删除隐藏层。本文提出了功能链接神经网络（FLNN）的能力，以克服MLP的复杂结构，通过使用单层结构，并提出了一种人工蜂群（ABC）优化训练FLNN。该方法有望为分类器提供更好的学习机制，以获得更准确的分类结果
2012-12-31 cs.LG cs.NE
Randomized Memetic Artificial Bee Colony Algorithm
人工蜂群优化算法是近年来发展起来的一种基于种群的概率全局优化算法。ABC是简单的，并已显示出显着的改进，比其他自然启发算法（NIA）时，测试了一些标准的基准函数和一些复杂的现实世界的优化问题。模因算法也成为解决现实世界中大型复杂优化问题的关键方法之一。Memetic ABC的解搜索方程基于黄金分割搜索和一个任意值，试图平衡搜索空间的探索和开发。但由于步长的原因，仍然有一些机会跳过精确解。为了平衡Memetic ABC的多样化和集约化能力，它是随机的Memetic ABC的步长。该算法被命名为随机模因ABC（RMABC）。在RMABC中，新的解决方案产生的最好的到目前为止的解决方案附近，它有助于提高Memetic ABC的开发能力。在不同复杂度的测试问题和一个著名的工程优化应用上的实验表明，该算法在几乎所有问题上的性能都优于Memetic ABC（MeABC）和ABC算法的其他变体（如Gbest guided ABC（GABC），Hooke Jeeves ABC（HJABC），Best-So-Far ABC（BSFABC）和Modified ABC（MABC））.
2014-08-01 cs.NE
Goat Optimization Algorithm: A Novel Bio-Inspired Metaheuristic for Global Optimization
本文提出受山羊行为启发的山羊优化算法（GOA），通过适应性觅食、向最佳解移动和跳跃策略平衡探索与开发，在基准测试中显著优于PSO、GWO等算法，展现出更优的收敛速度和全局搜索能力。
2025-03-04 cs.NA cs.NE math.NA
Characterizing the Social Interactions in the Artificial Bee Colony Algorithm
计算群体智能由多个简单的人工智能体组成，它们在探索搜索空间的同时交换信息。尽管在该领域有丰富的文献，改进旧方法并提出新方法的工作，但这些系统中出现复杂行为的机制仍然没有得到很好的理解。这种文献空白阻碍了研究人员处理群体智能中已知问题的能力，例如过早收敛，以及代理之间的协调和多样性的平衡。然而，文献中的最新进展已经提出通过从群内的社会交互中出现的网络来研究这些系统（即，互动网络）。在我们的工作中，我们提出了人工蜂群（ABC）算法的相互作用网络的定义。通过我们的方法，我们捕捉到了算法的惊人特质。我们发现了每种蜜蜂产生的不同的社会互动模式，揭示了蜜蜂在算法迭代过程中变化的重要性。我们发现，ABC表现出动态的信息流，通过使用不同的蜜蜂，但缺乏持续的代理之间的协调。
2019-04-08 cs.NE cs.SI stat.ML
Ant Colony Optimization and Hypergraph Covering Problems
蚁群优化算法是一种非常流行的求解计算困难的组合优化问题的启发式算法。近年来，针对各种伪布尔函数和不同的基于图的组合优化问题的蚁群优化算法的性能分析已经开始。在本文中，我们研究的MMAS*（最大最小蚂蚁系统）ACO算法的运行时行为的一些著名的超图覆盖问题是NP-难的。特别地，我们解决了最小边覆盖问题，最小顶点覆盖问题和最大弱独立集问题。分析了信息素值和启发式信息对算法运行时间的影响。结果表明，启发式信息有更大的影响，提高预期的优化时间相比，信息素值。对于某些超图的情况下，我们表明，MMAS* 算法给出了一个恒定的顺序预期优化时间时，启发式信息的优势适当增加。
2013-12-30 cs.NE
A Hybrid Monte Carlo Ant Colony Optimization Approach for Protein Structure Prediction in the HP Model
疏水-极性（HP）模型在蛋白质结构预测（PSP）领域得到了广泛的研究，无论是出于理论目的还是作为新优化策略的基准。在这项工作中，我们介绍了一种新的算法的基础上蚁群优化（ACO）和马尔可夫链蒙特卡罗（MCMC），我们称之为混合蒙特卡罗蚁群优化（HMCACO）。我们描述了这种方法，并比较了在三维立方晶格中的著名HP实例与标准ACO和模拟退火（SA）得到的结果。所有方法都是使用无约束邻域和修改的目标函数来实现的，以防止创建重叠的行走。结果表明，我们的方法在所有基准测试实例中的性能优于其他算法。
2013-09-30 cs.CE cs.NE
The Optimization of Running Queries in Relational Databases Using ANT-Colony Algorithm
优化查询的问题是一个成本敏感的过程，并且相对于查询中关联表的数量，其排列数量呈指数增长。一方面，与关系数据库中的其他操作相比，连接操作是最困难和最复杂的操作，为了减少其运行时间，需要对其进行优化。因此，到目前为止已经提出了各种算法来解决这个问题。另一方面，任何数据库管理系统（DBMS）的成功都意味着利用查询模型。在本文中，启发式蚂蚁算法已被提出来解决这个问题，提高连接操作的运行时间。实验和观察结果表明，该算法的效率相比，其类似的算法。
2013-11-16 cs.DB cs.NE
Design of PI Controller for Automatic Generation Control of Multi Area Interconnected Power System using Bacterial Foraging Optimization
The NorthCap University（北卡普大学）；Indian Institute of Technology, New Delhi（印度德里理工学院）；Osmania University（奥斯曼尼亚大学）
本文基于热电、风电和水电互联电力系统，利用细菌觅食优化算法优化PI控制器参数，减少频率偏差，对比三种优化方法的性能，证明BFO在抑制超调和欠调方面效果更优。
2017-01-26 cs.NE cs.SY eess.SY
Dynamic Impact for Ant Colony Optimization algorithm
Intel Corporation（英特尔公司）
提出了一种蚁群优化算法的扩展方法--动态影响法。Dynamic Impact旨在解决具有挑战性的优化问题，这些问题在资源消耗和适应度之间具有非线性关系，与优化解决方案的其他部分有关。针对复杂的现实世界的微芯片制造工厂生产车间优化（MMPPFO）问题，以及理论基准多维背包问题（MKP），该方法进行了测试。MMPPFO是一个非平凡的优化问题，由于解决方案的适应值的性质依赖于收集的晶圆批次没有任何个别的晶圆批次的优先级。单目标优化的适应度值提高了33.2%。此外，小复杂度的MKP基准实例已被解决到100%的成功率，其中观察到高度的解决方案稀疏性，并且大实例显示平均差距提高了4.26倍。算法实现在小型和大型数据集以及稀疏优化问题上表现出卓越的性能。
2020-02-10 cs.NE
Block matching algorithm for motion estimation based on Artificial Bee Colony (ABC)
块匹配运动估计在视频编码中起着非常重要的作用。在BM方法中，视频序列中的图像帧被划分成块。对于当前帧中的每个块，在前一帧的区域内识别最佳匹配块，旨在最小化绝对差和（SAD）。不幸的是，SAD评估在计算上是昂贵的，并且代表BM过程中最消耗的操作。因此，BM运动估计可以作为优化问题来处理，其中目标是在搜索空间内找到最佳匹配块。最简单的可用BM方法是全搜索算法（FSA），其通过搜索窗口的所有元素的SAD值的穷举计算来找到最准确的运动矢量。最近，已经提出了几种快速BM算法，以减少SAD操作的数量，只计算一个固定的子集的搜索位置的价格差的准确性。本文提出了一种基于人工蜂群优化的新算法，以减少BM过程中的搜索位置的数量。在我们的算法中，搜索位置的计算大大减少，考虑健身计算策略，这表明当它是可行的计算或只估计新的搜索位置。由于所提出的算法不像大多数其他BM方法那样考虑任何固定搜索模式或任何其他运动假设，因此期望找到真正的最小值（准确的运动矢量）的高概率。仿真结果表明，该方法在估计精度和计算成本方面优于其他快速BM算法。
2014-06-30 cs.NE
Fine-tuning the Ant Colony System algorithm through Particle Swarm Optimization
蚁群算法是求解对称流动推销员问题的一种分布式算法.该算法的最佳参数必须通过试验和错误来找到。我们使用粒子群优化算法（PSO）优化ACS参数工作在一个设计的TSP实例的子集。第一个目标是在单个实例上执行混合PSO-ACS算法，以找到该实例的最优参数和最优解。第二个目标是分析那些与实例特征相关的最佳参数集。计算结果表明，虽然计算时间很长，但单个实例的解决方案质量很好，并且可能存在对大多数实例最佳工作的参数集。
2018-03-21 cs.NE math.OC
Multimodal Optimization by Sparkling Squid Populations
动物的群体智能是应用于优化问题的自然范例。蚁群算法、蜂群算法、萤火虫算法和蝙蝠算法是已经被证明能够有效地优化复杂约束的算法之一。本文提出了新的闪光鱿鱼算法（SSA）的多峰优化，其同名的智能群体行为的启发。在介绍，制定和讨论其实施后，它将与其他流行的元计算进行比较。最后，将讨论应用于众所周知的问题，如图像配准和旅行推销员的问题.
2014-01-05 cs.NE
D-CODE: Data Colony Optimization for Dynamic Network Efficiency
D-CODE融合数据群体优化与动态效率模型，通过元启发式策略提升解质量3-4%、收敛速度2-3倍及计算效率25%，为智能系统设计提供变革性范式。
2024-05-08 cs.DC cs.NE
Accelerating supply chains with Ant Colony Optimization across range of hardware solutions
Brunel University London（布鲁内尔伦敦大学）
蚁群算法已被应用于各种优化问题，但大多数以前的工作集中在旅行商问题（TSP）的规模和并行性。虽然，有用的基准和新的想法比较，算法动态并不总是转移到复杂的现实生活中的问题，在解决方案的建设过程中需要额外的元数据。本文着眼于现实生活中的外向供应链问题，使用蚁群优化（ACO）和它的缩放动态两个并行ACO架构-独立蚁群（IAC）和并行蚂蚁（PA）。结果表明，PA能够达到更高的解决方案的质量在更少的迭代次数的并行实例的数量增加。此外，还在三种不同的硬件解决方案（16核CPU、68核Xeon Phi和多达4个Geforce GPU）上测量了速度性能。最先进的ACO矢量化技术，如SS-轮盘赌是使用C++和CUDA实现的。虽然对于TSP来说非常出色，但得出的结论是，对于给定的供应链问题，由于所需的元数据访问占用空间，GPU并不适合。此外，与其顺序对应物相比，矢量化CPU AVX 2实现在CPU上实现了25.4倍的加速，而Xeon Phi及其AVX 512指令集在具有矢量化的PA（PAwV）上达到了148倍。因此，PAwV能够扩展到至少1024个并行实例，解决供应链网络问题。
2020-01-22 cs.DC cs.NE
Cycloidal Trajectory Realization on Staircase based on Neural Network Temporal Quantized Lagrange Dynamics (NNTQLD) with Ant Colony Optimization for a 9-Link Bipedal Robot
IIT Roorkee（印度理工学院鲁尔基分校）
针对足尖式机器人，提出了一种新的能量优化关节角轨迹跟踪控制方法。针对9连杆机器人爬楼梯的问题，提出了摆动阶段的摆线轨迹，使得摆线变量与楼梯尺寸有关。采用零力矩点（ZMP）准则满足稳定性约束。本文主要分为三个步骤：1）利用无监督的人工神经网络，通过节点移动的方法，规划出初始步和后续步的稳定摆线轨迹，以实现爬楼和逆运动学。2)利用拉格朗日动力学对脚趾脚的运动模型进行动力学建模，并利用弹簧-阻尼器系统进行接触建模，然后开发神经网络时间量化拉格朗日动力学，将神经网络的逆运动学输出作为其输入。3)采用蚁群优化算法对比例微分控制器参数和躯干角进行整定，以关节空间轨迹误差和总能量消耗最小为目标。三种情况下，与可变的楼梯尺寸，并做了简要的比较，以验证我们所提出的工作的有效性，产生的模式已经在MATLAB中进行了模拟。
2021-07-21 cs.NE cs.RO cs.SY
Neural Architecture Search using Particle Swarm and Ant Colony Optimization
Adapt Centre, Dublin City University（都柏林城市大学Adapt中心）；Cork Institute of Technology（科克理工学院）
本研究开发图像分类用开源NAS系统OpenNAS，对比群智能算法PSO与ACO优化CNN架构的效果，发现PSO表现更优，尤其在复杂数据集上提升显著，同时以微调预训练模型为性能基线。
2024-03-06 cs.AI cs.LG cs.NE
Markov Chain-based Optimization Time Analysis of Bivalent Ant Colony Optimization for Sorting and LeadingOnes
本文提出二值蚁群优化（BACO）并基于马尔可夫链方法推导Sorting和LeadingOnes的期望优化时间紧界，分别得到$Θ(n^3)$和$Θ(n^2)$，实验验证了理论结果。
2024-05-06 cs.CC cs.NE
A hybrid swarm-based algorithm for single-objective optimization problems involving high-cost analyses
Politecnico di Torino（都灵理工大学）
在许多技术领域中，连续域中的单目标优化过程涉及昂贵的数值模拟。在这种情况下，人工蜂群（ABC）算法的改进，称为人工超级蜜蜂增强的殖民地（AsBeC）。AsBeC旨在提供快速的收敛速度，高精度的解决方案和强大的性能在广泛的问题。它实现了ABC结构的增强和具有插值策略的杂交。后者的灵感来自于二次置信域方法的本地调查和一个有效的全球可分离的问题优化。每个修改和它们的组合效果进行了研究，适当的指标上的数值基准，这也是用于比较AsBeC与一些有效的ABC变种和其他衍生物的自由算法。此外，所提出的算法验证最近通过的两个基准在国际会议上的竞争。结果表明，AsBeC显着的竞争力和鲁棒性。
2016-05-02 cs.AI cs.DC cs.NE
Beetle Swarm Optimization Algorithm:Theory and Application
提出了一种新的元启发式算法--甲虫群优化算法，该算法利用甲虫觅食原理提高了群优化算法的性能。测试了23个基准函数的性能，并与广泛使用的算法进行了比较，包括粒子群优化算法、遗传算法（GA）和蚱蜢优化算法。数值实验表明，该算法的性能优于同类算法。此外，为了证明所提出的算法的实际影响，两个经典的工程设计问题，即压力容器设计问题和himmelblaus优化问题，也被认为是和所提出的甲虫群优化算法在这些应用中显示出竞争力。
2020-07-08 cs.NE
Beetle Antennae Search without Parameter Tuning (BAS-WPT) for Multi-objective Optimization
甲虫触角搜索（BAS）是一种有效的元启发式算法的启发式甲虫觅食行为。该算法包含多个可调参数，现有结果仅限于求解单目标优化问题。本文的工作通过提供一种释放调整参数并能够处理多目标优化的变体，推动了BAS的研究。该方法通过归一化来简化原算法，并利用罚函数来挖掘不可行解，从而解决约束优化问题。进行了广泛的实验研究，结果表明所提出的方法来约束处理的有效性。
2017-11-07 cs.NE
Clustering via Ant Colonies: Parameter Analysis and Improvement of the Algorithm
Costa Rica Institute of Technology（哥斯达黎加理工学院）；University of Costa Rica（哥斯达黎加大学）
提出了一种基于蚁群算法的对象划分方法。为了最小化内方差，或内的平方和，分区类，我们构造蚂蚁样的解决方案，通过建设性的方法，选择对象放在一个类的概率取决于对象和质心的类（可见性）和信息素的踪迹之间的距离;后者取决于类成员资格，已沿迭代定义。在蚁群算法的部分迭代过程中引入了K均值算法。我们进行了模拟研究，以评估的方法与蒙特卡罗实验，控制一些敏感参数的聚类问题。经过一些参数的调整，该方法也已被应用到一些基准的真实数据集。几乎在所有情况下都取得了令人鼓舞的结果。
2019-12-02 cs.LG cs.NE stat.ML
