基于局部最优解的改进人工蜂群算法

一种改进的人工蜂群算法研究人工蜂群算法（Artificial Bee Colony，简称ABC）是一种新的启发式优化算法，其基本思想是模拟蜜蜂觅食的过程，通过三种不同类型的蜜蜂（雇佣蜂、侦查蜂和跟随蜂）来搜索最优解。

ABC算法具有搜索速度快、全局搜索能力强等优点，在许多问题中取得了优异的效果。

然而，在ABC算法中存在着一些问题。

例如，由于蜜蜂的选取是基于一定概率进行的，所以存在搜索单调性强、很容易陷入局部最优解等问题。

为了解决这些问题，研究人员提出了许多改进的ABC算法。

本文将介绍一种改进的ABC算法，即基于动态调整的ABC算法（DynamicAdjustment-based ABC，简称DAA-ABC）。

该算法主要包括两个方面的改进，即有限数量跟随蜂的策略和动态调整因子的策略。

在传统的ABC算法中，跟随蜂的数量是不确定的。

DAA-ABC算法通过引入有限数量的跟随蜂的策略来改进此问题。

在该策略中，将跟随蜂的数量设置为一个固定值，例如10只蜜蜂。

这些跟随蜂的主要任务是负责探索全局最优解的较远区域，并将发现的最优解传递给其他蜜蜂。

这种策略能够有效地增加全局搜索能力，防止产生单调性强、陷入局部最优解的问题。

除了有限数量跟随蜂的策略外，DAA-ABC算法还引入了动态调整因子的策略。

在ABC算法中，有两个主要的参数需要调整，一个是局部搜索半径r，另一个是在雇佣蜂阶段中选择的概率p。

在传统的ABC算法中，这两个参数是固定的。

然而，在实际问题中，由于问题的复杂性和多样性，这些参数的设置很难做到最佳。

因此，DAA-ABC算法提出了一种动态调整因子的策略，根据当前问题的特征来调整这两个参数。

具体地说，动态调整因子的策略使用了一种基于动态调整因子的算法（Dynamic Adjustment-based Algorithm，简称DAA）来计算出局部搜索半径r和选择概率p的最佳值。

该算法根据当前问题的特征，以及前几代的信息来动态地调整这两个参数。

复杂环境下基于改进人工蜂群算法的机器人路径规划摘要：为了使机器人在复杂环境下规划出最优路径，提出了基于改进人工蜂群算法的路径规划方法。

分析了传统的人工蜂群算法原理；为适应复杂环境下路径规划，引入了小步长侦查蜂用于侦查跟随蜂可能前进方向的障碍物分布情况，根据侦查出的障碍物复杂度和节点与目标点距离对可行节点进行评分，得分大小作为跟随蜂选择下一节点的依据，这样就可以使跟随蜂成功避开障碍物复杂区域。

使用改进算法进行路径规划，将规划结果与传统蚁群算法和传统人工蜂群算法比较，改进人工蜂群算法规划路径最短，且算法耗时最少。

关键词：机器人路径规划；改进人工蜂群算法；小步长侦查蜂；复杂环境1 引言随着机器人技术的发展，机器人的应用领域在不断扩展，机器人执行任务时环境复杂度在不断增加。

当机器人工作在复杂环境时，尤其是当环境中存在大量U形障碍物时，机器人容易出现路径死锁或震荡问题，最终导致路径规划的失败[1]。

因此使机器人在复杂环境下，快速规划处一条优化路径，对于扩展机器人应用领域、推动机器人技术发展具有重要意义。

对于静态环境下的路径规划问题，当前存在的方法有可视图法、栅格法、Dijkstra算法和群智能算法等，这些算法都在一定程度上解决了路径规划问题，但是也存在一些缺陷。

可视图法[2]对机器人工作环境要求较高，当工作环境中障碍物较多时，此算法搜索时间过长；栅格法[3]适用于静态已知环境，栅格大小的选取存在信息存储量与环境分辨率的矛盾，在一定程度上限制了其使用；Dijkstra算法[4]能够找到最优路径，但是没有充分使用目标点的启发信息，使规划时间较长；遗传算法[5]存在早熟、算法收敛时间长的问题；蚁群算法[6]容易陷入局部最优，容易出现搜索死锁问题。

为了实现轨迹规划和轨迹跟踪的一体化，设计了机械臂的分层控制系统，两个功能分别实现，但是又相互关联，规划层考虑所有约束条件，规划处最优轨迹，跟踪层只需精确跟踪上层规划出的轨迹，使得设计出的轨迹规划器能够跟轨迹跟踪器很好地匹配。

分析Technology AnalysisI G I T C W 技术118DIGITCW2020.070 引言人工蜂群算法（ABC ）是仿照蜜蜂的采蜜过程提出的仿生智能算法，Karaboga 在2005年首次提出了这个概念，主要目的是解决函数优化的相关问题，蜂群算法充分体现了群体智能思想，利用单只蜜蜂具有的局部寻优能力，从而让全局最优在整个群体里快速的凸显出来，该算法不仅具有良好的全局收敛性能，而且具有算法简单，适用范围广的特点。

许多专家学者对此予以关注，并成为计算机领域的重点研究的智能算法。

目前，人工蜂群算法可应用在函数优化问题、作业调度、路径及参数选择等工程领域，均取得了良好的效果。

然而，蜂群算法采用的群体进化搜索策略以及基于轮盘赌概率的适应度选择方式，容易使算法产生局部最优解，而无法快速搜寻到全局最优解。

而且算法在迭代过程中，邻域搜索策略的不同也会影响算法的收敛性能，本文提出新的改进蜂群算法，通过改进领域搜索策略，提高智能算法的全局寻优能力。

1 人工蜂群算法群体智能算法（SIA ）是一种智能算法，旨在模仿社会生物种群的行为。

它是随着现代化AI 行业的迅速成长而产生的一种较为新颖的计算智能模型。

SIA 根据生物群体的个体间相互配合、共同协作的一系列行为从而构建行为规则模型，并根据模型中的行为规则演算出群体智能算法。

人工蜂群算法也是属于这类算法。

蜂群算法是一种基于蜂群智能的优化算法。

它模拟蜂群根据各自的分工来收集不同的蜂蜜，并交换蜂蜜来源的信息以找到最佳的蜂蜜来源。

蜂群通过舞蹈进行消息传递，确定局部区域最佳蜜源的正确位置，通过此种搜索方式调整正反馈机制，快速找寻全局区域的最佳蜜源位置。

ABC 算法一般由引领蜂和跟随蜂（观察蜂和侦查蜂）组成：一是引领蜂负责在局部区域搜索最佳蜜源，如果搜寻过程中发现花蜜质量较好的蜜源，引领蜂通过舞蹈的方式将蜜源的相关信息传递给后面的跟随蜂，并继续搜寻蜜源，如若发现新的蜜源比之前的蜜源质量较好，则马上将新的蜜源信息传递给跟随蜂。