基于交叉的全局人工蜂群算法的研究

张平华，李敬明，胡贤德，胡 俊

(1.安徽新华学院 信息工程学院，安徽 合肥 230088；2.合肥工业大学 管理学院，安徽 合肥 230009)

基于交叉的全局人工蜂群算法的研究

张平华1，李敬明2，胡贤德1，胡 俊1

(1.安徽新华学院 信息工程学院，安徽 合肥 230088；2.合肥工业大学 管理学院，安徽 合肥 230009)

人工蜂群(Artificial Bee Colony，ABC )算法在求解函数最优值时，存在后期收敛速度慢、易于陷入局部最优、疏于开发等问题.为了解决这些问题，对算法进行了深入研究，结合其他仿生智能优化算法的机制，提出了一种能有效提高收敛速度，增强算法开发性和全局寻优能力，并能有效避免种群个体陷入局部最优的算法——基于交叉的全局人工蜂群算法.选取7个标准测试函数进行实验仿真，结果表明，与ABC算法、全局最优人工蜂群算法(GABC)相比，基于交叉的全局人工蜂群算法(CGABC)的收敛速度及精度均有明显提高.

智能算法；交叉；全局；人工蜂群算法

近年来，国内外学者对基于智能优化规则的启发式算法做了大量的研究，各种先进的、智能的仿生群智能算法不断出现(如鱼群算法、蛙跳算法、禁忌搜索算法、遗传算法、蚁群算法、粒子群算法等)，并被逐步应用到组合优化和资源调度等各方面的问题求解中.仿生群智能是指众多简单的个体通过相互协同方式，表现出复杂的智能行为的过程和特性.群体智能算法主要有模拟蚂蚁觅食行为的蚁群算法[1](Ant Colony Optimization，ACO)、源于鸟群觅食行为的粒子群算法[2](Particle Swarm Optimization，PSO)、模拟真实鱼类觅食行为的人工鱼群算法……