一种改进的人工蜂群算法研究人工蜂群算法（Artificial Bee Colony，ABC）是一种优化算法，灵感来自于蜜蜂的觅食行为。
它模拟了蜜蜂的觅食过程，通过不断更新搜索空间中的位置来寻找最优解。
虽然ABC算法在很多问题中表现出了良好的性能，但它也存在一些不足之处，比如易陷入局部最优解、收敛速度慢等问题。
为了解决这些问题，研究者们对ABC算法进行了一系列的改进。
一种常见的改进方法是引入局部搜索策略。
传统的ABC算法只有蜜蜂在搜索空间中随机选择位置的能力，这容易导致搜索陷入局部最优解。
改进的ABC算法在蜜蜂搜索过程中引入了局部搜索策略，使蜜蜂能够在当前最优位置的附近进行局部搜索。
这样既能提高搜索的多样性，又能避免陷入局部最优解。
另一种改进方法是引入自适应机制。
传统的ABC算法使用固定的参数和运行策略，无法适应不同问题的特点。
改进的ABC算法通过引入自适应机制，使算法能够根据问题的性质和难度自动调整参数和运行策略，以提高搜索效率和性能。
还有一种改进方法是引入多种搜索策略。
传统的ABC算法只有一种搜索策略，这限制了算法的搜索能力。
改进的ABC算法引入了多种不同的搜索策略，使蜜蜂能够根据不同的情况选择合适的搜索策略。
这样能够提高算法的搜索能力和收敛速度。
还有一些其他改进的ABC算法，比如改进的初始化策略、改进的更新策略等。
这些改进方法可以根据具体问题进行选择和组合，以提高算法的性能。
人工蜂群算法在不断被研究和改进的过程中正不断展现出更强大的搜索能力和优化性能。
随着对ABC算法的深入研究，相信会有更多有效的改进方法被提出，并在实际问题中得到应用。
人工蜂群算法优化支持向量机的传感器节点定位陈海霞;王连明【期刊名称】《吉林大学学报（理学版）》【年(卷),期】2017(055)003【摘要】In order to improve the localization effect of sensor nodes, aiming at the parameters optimization problem of support vector machine,we designed a sensor node localization model based on artificial bee colony algorithm optimizing support vector mathine.Firstly,relevant data of sensor nodes were collected,and the effective parameters wereextracted.Secondly,support vector machine was used to establish sensor node localization model,and artificial bee colony algorithm was used to solve the parameter selection problem of support vectormachine.Finally,sensor node localization experiment was implemented on MATLAB2014 platform.The experimental results show that the proposed model can reflect the position of current sensor nodes,and obtain the accurate positioning results of the sensor nodes.%为了提高传感器节点的定位效果,针对支持向量机参数优化问题,设计一种人工蜂群算法优化支持向量机的传感器节点定位模型.首先采集传感器节点的相关数据,提取有效参数;然后采用支持向量机建立传感器节点定位模型,并采用人工蜂群算法解决支持向量机的参数选择问题;最后在MTALAB2014平台进行传感器节点定位实验.实验结果表明,该模型可以反映当前传感器节点的位置,获得较精准的传感器节点定位结果.【总页数】5页(P647-651)【作者】陈海霞;王连明【作者单位】通化师范学院物理学院,吉林通化 134002;东北师范大学物理学院,长春 130024【正文语种】中文【中图分类】TP31【相关文献】1.人工鱼群算法优化支持向量机的无线传感器网络节点定位 [J], 谭军2.水声传感器网络节点自定位的遗传算法优化研究 [J], 谢远党;徐荣伟;张华3.人工蜂群优化神经网络的无线传感器节点定位算法 [J], 周子昂;徐坤;程全;刘玉春4.基于分布估计算法优化无线传感器网络节点定位 [J], 贺佳;董红斌5.基于渔夫捕鱼-最小二乘支持向量机的传感器节点定位的研究 [J], 谢洪;王大溪因版权原因，仅展示原文概要，查看原文内容请购买。
基于蜜蜂算法的支持向量机特征选择和参数优化
陈渊;马宏伟
【期刊名称】《组合机床与自动化加工技术》
【年(卷),期】2013(000)011
【摘要】针对支持向量机训练过程中特征选择和参数优化的问题,提出了一种基于蜜蜂算法的支持向量机特征选择和参数优化算法,并将其应用于焊接缺陷的自动分类.该算法采用分类正确率作为适应度,利用蜜蜂算法对支持向量机的模型参数进行优化,并同时选择最佳的特征子集.UCI标准数据集和焊接缺陷的分类实验结果表明,与常规支持向量机相比,蜜蜂算法优化的支持向量机能够克服局部最优解,获得了更高的分类正确率.因此,论文算法对于焊接缺陷的分类是有效可行的.
【总页数】4页(P41-43,54)
【作者】陈渊;马宏伟
【作者单位】西安科技大学理学院,西安 710054;西安科技大学机械工程学院,西安710054
【正文语种】中文
【中图分类】TH16;TG659
【相关文献】
1.基于支持向量机和遗传算法的水下目标特征选择算法 [J], 杨宏晖;孙进才;袁骏
2.基于人工免疫算法的最小二乘支持向量机参数优化算法 [J], 杨福刚
3.基于禁忌蝙蝠算法的支持向量机特征选择和参数优化 [J], 刘天健
4.玉米籽粒的特征选择算法——基于支持向量机与遗传算法 [J], 程洪;李江涛;史智兴;尹辉娟;马丽
5.基于特征选择与遗传算法改进的支持向量机入侵检测方法 [J], 张小琴
因版权原因，仅展示原文概要，查看原文内容请购买。
基于混沌机制的人工蜂群算法优化的支持向量机分类器作者：刘霞张姗姗胡铭鉴庞永贵来源：《计算技术与自动化》2015年第02期（1.2.;东北石油大学;电气信息工程学院，黑龙江;大庆163318;3.;新疆石油勘探设计研究院，新疆;克拉玛依;834000;4.;大庆物探一公司，黑龙江;大庆;163357）摘要：支持向量机的分类性能在很大程度上取决于其相关参数的选择，为了改善支持向量机的分类准确率，本文采用基于混沌机制的人工蜂群算法对其参数进行优化。
在传统人工蜂群算法的基础上，采用Logistic混沌映射初始化种群和锦标赛选择策略，进一步提高人工蜂群算法的收敛速度和寻优精度。
该方法采用分类准确率作为适应度函数，利用人工蜂群算法对支持向量机的惩罚因子和核函数参数进行优化。
通过对多个标准数据集的分类测试，证明基于混沌机制的人工蜂群算法优化的支持向量机分类器能够获得更高的分类准确率。
关键字：人工蜂群算法，支持向量机，参数优化，混沌机制，锦标赛选择策略中图分类号：TP311;文献标识码：A;;文章编号：黑龙江省长江学者后备计划（2012CJHB005）Artificial;colony;algorithm;based;on;chaotic;mechanism;optimization;of;support;vector;machine; classifierLIU;Xia1，ZHANG;Shan-shan2，HU;Ming-jian3，PANG;Yong-gui4（1.2.Northeast;Petroleum;University;Electrical;information;engineering;institute，Heilongjiang;Daqing;163318;3.Xinjiang;Design;Institute，China;Petroleum;Engineering，Xinjiang;Karamay;834000;4.Daqing;Gepphysical;Exploration;Company;of;NO.1，Heilongjiang;Daqing;163357）Abstract：;The;classification;performance;of;support;vector;machine;（SVM）;to;a;large;extent;depends;on;the;selection;of;its;parameters，;in;order;to;improve;the;class ification;accuracy;of;support;vector;machine;（SVM），;using;Artificial;bee;colony;algorithm;based;on;chaotic;mechanism;to;optimize;the;para meters;in;this;paper.;On;the;basis;of;the;traditional;artificial;colony;algorithm，;using;the;Logistic;ch aotic;mapping;initialization;population;and;tournament;selection;strategy，;further;improve;the;artifi cial;colony;algorithm;convergence;speed;and;optimization;precision.The;method;adopts;the;classification;accuracy;as;fitness;function，;using;artificial;colony;algorithm;of;support;vector;machine;（SVM）;penalty;factor;and;the;kernel;function;parameter;optimization.;By;standard;data;sets;with;t he;classification;of;the;test，;prove;that;artificial;colony;algorithm;based;on;chaotic;mechanism;opti mization;of;support;vector;machine;classifier;can;achieve;higher;classification;accuracy.Keywords：;Artificial;colony;algorithm，;Support;vector;machine;（SVM），;parameters;optimization，;Chaotic;mechanism，;Tournament;selection;strategy1;引言支持向量机（Support;Vector;Machines，;SVM）是以统计学习理论为基础，针对有限样本的一种通用学习方法，能有效解决小样本、高维数、非线性等问题[1-3]。
