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
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
Malware Detection using Artificial Bee Colony Algorithm
University of Georgia(佐治亚大学);Florida International University(佛罗里达国际大学)
由于恶意软件家族数量的增加,恶意软件检测已经成为一项具有挑战性的任务。需要能够检测所有恶意软件家族的通用恶意软件检测算法,以使整个过程可行。然而,一个算法越是通用,它需要处理的特征维数就越多,这不可避免地导致了新出现的Curse of Exclusionality(CoD)问题。此外,由于恶意软件分析的实时行为,也很难使该解决方案工作。在本文中,我们解决这个问题,并旨在提出一个基于特征选择的恶意软件检测算法,使用进化算法,被称为人工蜂群(ABC)。该算法使研究人员能够降低特征维数,从而提高恶意软件检测的过程。实验结果表明,该方法优于国家的最先进的。
2020-12-01 cs.AI cs.CR
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
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
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
First Competitive Ant Colony Scheme for the CARP
Université Blaise Pascal(布莱斯·帕斯卡大学);Université de Technologie de Troyes(特鲁瓦技术大学)
提出了一种基于蚁群算法的带容量约束的弧路径问题(CARP).蚁群算法可以求解中等规模的车辆路径问题。建议的蚁群是专门为大规模的CARP实例,超过140个节点和190弧服务。蚁群算法结合了局部搜索过程,提供了高质量的解决方案。我们进行的基准测试证明,可以获得的解决方案作为有利可图的CARPET的可以使用这样的计划时,足够数量的迭代是专门的蚂蚁。它的竞争与遗传算法的Lacomme等。关于解决方案的质量,但它是更耗时的大规模的情况下。该方法已被集中基准上著名的实例Eglese,DeArmon和最后的贝伦格尔和Benavent。本研究报告是一个进步的CARP解决蚁群证明蚂蚁计划可以竞争禁忌搜索方法和遗传算法
2022-11-19 cs.AI cs.NE
BeeRNA: tertiary structure-based RNA inverse folding using Artificial Bee Colony
BeeRNA利用人工蜂群算法结合碱基配对距离过滤和RMSD评估,实现高效RNA三级结构逆折叠设计。
2025-11-26 cs.AI q-bio.BM
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
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
Polyethism in a colony of artificial ants
IIMAS, Universidad Nacional Autónoma de México(墨西哥国立自治大学应用数学与系统研究所)
我们探讨了自组织策略的角色分配在觅食任务进行了人工智能体的殖民地。我们的策略受到了在真社会性昆虫(如蚂蚁、白蚁或蜜蜂)中观察到的各种劳动分工机制(多种族主义)的启发。具体来说,我们实例化的种姓多民族和年龄或时间多民族的模型,以评估在动态环境中觅食的好处。我们的实验与机器学习中的探索/开发贸易直接相关。
2011-04-15 cs.AI nlin.AO q-bio.PE
A Dynamic Algorithm for the Longest Common Subsequence Problem using Ant Colony Optimization Technique
Meghnad Saha Institute of Technology(梅格纳德·萨哈技术学院)
提出了一种利用蚁群优化技术求解最长公共子序列问题的动态算法。蚁群优化技术已被应用于优化理论、机器学习和电信网络等领域的许多问题的求解,特别是在NP难问题中的应用具有重要意义。给定两个字符串,传统的寻找最长公共子序列的方法是基于动态规划,它包括建立递归关系和填充大小表。该算法与蚁群函数的行为进行类比,这种新的计算范式被称为蚂蚁系统。这是随机组合优化的一种新的可行的方法。该模型的主要特点是正反馈,分布式计算,并使用建设性的贪婪启发式。正反馈算法可以快速发现好的解,分布式计算可以避免早熟收敛,贪婪启发式算法可以在最少的阶段内找到可接受的解。最后将该方法应用于最长公共子序列问题,并给出了仿真结果。这种方法的有效性证明了有效的计算复杂性。据我们所知,这是第一个蚁群优化算法的最长公共子序列问题。
2013-07-07 cs.AI
A self-tuning Firefly algorithm to tune the parameters of Ant Colony System (ACSFA)
General Sir John Kotelawala Defence University(约翰·科特拉瓦拉爵士国防大学);University of Sri Jayewardenepura(斯里贾亚瓦德纳普拉大学)
蚁群算法是一种很有前途的求解方法,在旅行商问题(TSP)、车间作业调度问题(JSP)和二次分配问题(QAP)等问题中得到了广泛的应用。在其最初的实现中,算法的参数是通过试错法来选择的。在过去的几年里,新的方法已经提出了适应ACS的参数,以提高其性能。本文的目的是使用一个框架介绍的自调整优化算法结合萤火虫算法(FA)调整的ACS解决对称TSP问题的参数。FA优化ACS的问题特定参数,而FA的参数由所选框架本身调整。使用这种方法,用户既不必使用ACS的参数,也不必使用FA的参数。使用常见的对称TSP问题,我们证明了该框架非常适合ACS。详细的统计分析进一步验证了新的ACS优于现有的ACS和其他技术用于调整ACS的参数。
2016-10-26 cs.AI
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
Golden Tortoise Beetle Optimizer: A Novel Nature-Inspired Meta-heuristic Algorithm for Engineering Problems
University of Tabriz(大不里士大学);Shahed University(沙希德大学);Virginia Commonwealth University(弗吉尼亚联邦大学);Australian Catholic University(澳大利亚天主教大学)
本文提出了一种新的自然启发式算法称为黄金甲虫优化(GTBO)来解决优化问题。它模仿金龟子通过改变颜色来吸引异性交配的行为,以及金龟子用一种肛门叉来阻止捕食者的保护策略。该算法是基于甲虫的双重吸引力和生存策略来生成新的优化问题的解决方案。为了衡量其性能,建议GTBO相比,其他五个自然启发的进化算法在24个著名的基准函数调查之间的权衡探索和利用,局部最优避免,并收敛到全局最优值是统计上显着的。我们特别应用GTBO两个著名的工程问题,包括焊接梁设计问题和齿轮训练设计问题。结果表明,新算法比五个基线算法更有效的两个问题。敏感性分析也进行了揭示不同的影响算法的关键控制参数和运营商的GTBO的性能。
2021-04-04 cs.AI cs.LG cs.NA
Interactive Ant Colony Optimisation (iACO) for Early Lifecycle Software Design
University of the West of England(西英格兰大学)
软件设计是软件开发成功的关键,也是软件工程师需要解决的多目标问题。在试图帮助软件设计者,交互式(即人在环)Meta启发式搜索技术,如进化计算已被应用,并显示出有前途的结果。最近的调查还表明,蚁群优化(ACO)可以优于进化计算,成为交互式软件设计的潜在搜索引擎。在有限的计算预算下,ACO可以在较少的迭代次数内产生更好的候选设计方案。基于这些发现,我们提出了一种新的交互式ACO(iACO)的方法,以帮助设计师在早期的生命周期软件设计,其中的搜索是引导联合主观设计师的评价以及机器健身功能的结构完整性和代理优雅的软件设计。结果表明,iACO是快速,响应和高效的交互式,动态的多目标搜索在早期生命周期的软件设计。研究参与者将iACO检索体验评为引人注目。适应度度量权重的机器学习的结果表明,软件设计优雅性确实在候选软件设计的设计师评估中起着重要作用。我们的结论是,类(NAC)之间的属性和方法的数量的均匀性是一个重要的替代优雅的措施,这反过来又表明,这种均匀性的分布,结合结构完整性,是一个隐含的,但有效的早期生命周期软件设计的关键组成部分。
2014-06-23 cs.AI cs.SE
Ant Colony Optimization for Cooperative Inspection Path Planning Using Multiple Unmanned Aerial Vehicles
Vietnam National University(越南国立大学);Ulsan National Institute of Science and Technology(蔚山国立科学技术院);Fulbright University Vietnam(越南富布赖特大学)
提出基于蚁群优化的多无人机协同巡检路径规划方法,通过3D模型生成视点并构建扩展旅行商问题,相比启发式方法将复杂结构路径长度减少29.47%。
2024-02-13 cs.AI cs.SY eess.SY
Human-Robot Collaborative Minimum Time Search through Sub-priors in Ant Colony Optimization
Institut de Robòtica i Informàtica Industrial (CSIC-UPC)(机器人学与信息研究所(西班牙国家研究委员会-加泰罗尼亚理工大学联合机构))
本文提出SP-MTS-ACO算法,结合CNN先验概率与智能体子先验偏好,解决人机协作最小时间搜索问题,并在真实实验中验证了其在保持效率的同时提升用户搜索感知。
2024-10-01 cs.AI cs.RO
Computer Vision Approaches for Automated Bee Counting Application
Brno University of Technology(布尔诺理工大学);Lappeenranta-Lahti University of Technology LUT(拉彭兰塔-拉赫蒂理工大学(LUT))
本文针对蜂群监测中的蜜蜂进出计数问题,在两个自建数据集上比较了三种计算机视觉方法,其中基于ResNet-50的分类器表现最佳,在BUT1和BUT2数据集上分别取得87%和93%的准确率。
2024-06-13 cs.AI cs.CV cs.LG
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
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
Motion-Encoded Particle Swarm Optimization for Moving Target Search Using UAVs
University of Technology Sydney(悉尼科技大学);VNU University of Engineering and Technology(越南河内国家大学工程技术大学)
提出了一种新的运动编码粒子群优化算法(MPSO),用于发现无人机(UAV)的运动目标。从贝叶斯理论出发,搜索问题可以转化为一个代价函数的优化问题,该代价函数代表了目标被检测到的概率。在这里,建议的MPSO开发来解决这个问题,通过编码的搜索轨迹作为一系列的无人机运动路径演变的粒子群算法的生成。这种运动编码方法允许保留群体的重要属性,包括认知和社会一致性,从而产生更好的解决方案。仿真结果表明,该算法的检测性能比原粒子群算法提高了24%,时间性能提高了4.71倍,并且优于人工蜂群(ABC)、蚁群优化(ACO)、遗传算法(GA)、差分进化(DE)、和树种子算法(TSA)在大多数搜索场景。在不同的场景下,对真实的无人机进行了搜索动态目标的实验,以证明MPSO在实际应用中的优点。
2020-10-05 cs.AI cs.NE cs.RO
Adaptive Sensor Placement Inspired by Bee Foraging: Towards Efficient Environment Monitoring
Indian Institute of Technology Madras(印度马德拉斯理工学院)
本文提出一种结合人工蜂群算法与莱维飞行的混合算法,用于优化自适应传感器布置,显著提升环境监测中关键热点的识别效率,并适用于搜索救援等优化问题。
2024-11-08 cs.AI cs.NE cs.RO
Meta-Heuristic Solutions to a Student Grouping Optimization Problem faced in Higher Education Institutions
Niger Delta University(尼日尔三角洲大学)
组合问题已被证明是NP-hard的高等教育机构和研究所面临的一些著名的组合问题,如排序和学生项目分配问题进行了广泛的调查。然而,高等教育机构面临的NP难问题不仅限于这些类别的组合问题。机构中面临的大多数NP难问题涉及对学生和/或资源进行分组,尽管每个问题都有其独特的约束条件。因此,可以说,解决高等教育机构NP难问题的技术可以在不同的问题类别之间转移。由于没有任何方法可以保证在所有问题上都优于所有其他方法,因此有必要研究启发式技术来解决鲜为人知的问题,以指导利益相关者或软件开发人员为高等教育机构面临的每一类NP难问题找到最合适的算法。为此,本研究描述了一个优化问题所面临的一个真正的大学,涉及分组学生学期成绩的介绍。采用基于排序的启发式算法、遗传算法和Python程序设计语言实现的蚁群优化算法来寻找该问题的可行解决方案,其中蚁群优化算法在75%的测试实例中表现较好或相等,而遗传算法在38%的测试实例中产生了较好或相等的结果。
2020-10-01 cs.AI