第11卷第2期 智能系统学报 Vol.11 No.2 2016年4月 CAAI Transactions on Intelligent Systems Apr.2016 D0I:10.11992/is.201506024 网络出版地址：http://www.cnki.net/kcms/detail/23.1538.TP.20160315.1051.002.html 基于信息反馈和改进适应度评价的人工蜂群算法 陈杰，沈艳霞，陆欣 (江南大学物联网技术应用教育部工程研究中心，江苏无锡214122) 摘要：针对原始人工蜂群算法存在收敛速度慢和易陷入局部最优的不足，提出了一种基于信息反馈和改进适应度 评价的人工蜂群算法。首先，引入种群个体分量记忆机制对个体信息进行反馈以增强种群开发能力，加快算法收敛 速度：其次，为避免因种群后期无法识别优秀个体导致的“早熟”现象，通过改进适应度函数增大不同个体间解的差 异性：最后，采用最优蜜源引导机制改进淘汰更新函数以避免不良个体的产生。对标准函数的测试结果表明，改进 后算法有较快的收敛速度和较高的收敛精度。 关键词：人工蜂群算法：群体智能：进化算法：函数优化：信息反馈 中图分类号：TP18文献标志码：A文章编号：1673-4785(2016)02-0172-08 中文引用格式：陈杰，沈艳霞，陆欣.基于信息反馈和改进适应度评价的人工蜂群算法[J].智能系统学报，2016,11(2)：172179. 英文引用格式：CHEN Jie,SHEN Yanxia,LUXi.Artificial bee colony algorithm based on information feedback and an improved fitness value evaluation[J].CAAI transactions on intelligent systems,2016,11(2):172-179. Artificial bee colony algorithm based on information feedback and an improved fitness value evaluation CHEN Jie,SHEN Yanxia,LU Xin (Research Center of Engineering Applications for IOT,Jiangnan University,Wuxi 214122,China) Abstract:The artificial bee colony (ABC)algorithm converges slowly and easily gets stuck on local solutions; hence,an ABC algorithm based on information feedback and an improved fitness value evaluation is proposed.The algorithm first introduces a memory mechanism for individual components to feedback information to enhance its ca- pacity for population exploitation and to accelerate the convergence speed.Then,it adopts a new fitness function to increase the difference between individuals and to avoid premature convergence from failing to identify the best indi- vidual.Finally,the algorithm integrates an optimal nectar-source guidance mechanism into the knockout function to prevent the production of unexpected individuals.Experiments were conducted on standard functions and were com- pared with those with several typical improved ABCs.The results show that the improved algorithm accelerates the convergence rate and improves the solution accuracy. Keywords:artificial bee colony algorithm;swarm intelligence;evolutionary algorithm;function optimization;in- formation feedback 随着优化问题在工程应用和理论研究上日益突 算法因结构简单、参数较少和易于实现的良好特性 出，基于群体智能理论的优化算法受到人们广泛关 在群体智能算法中脱颖而出。文献[1]中指出 注。近年来，人工蜂群(artificial bee colony,ABC) ABC算法与遗传算法(genetic algorithm,GA)、差分 进化算法(differential evolution,DE)和粒子群优化 收稿日期：2015-06-15.网络出版日期：2016-03-15. 算法(particle swarm optimization,PSO)相比较，其求 基金项目：国家自然科学基金项目(61573167)：高等学校博士学科点专 项科研基金项目(20130093110011)：江苏省自然科学基金项 解质量较好。目前，ABC算法已经在人工神经网络 目(BK20141114). 训练34、组合优化s6)、电力系统优化)等多个领 通信作者：沈艳霞.E-mail:shenyx@jiangnan.edu.cm第 １１ 卷第 ２ 期 智 能 系 统 学 报 Ｖｏｌ．１１ №．２ ２０１６ 年 ４ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ａｐｒ． ２０１６ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ．２０１５０６０２４ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１６０３１５．１０５１．００２．ｈｔｍｌ 基于信息反馈和改进适应度评价的人工蜂群算法 陈杰，沈艳霞，陆欣 （江南大学 物联网技术应用教育部工程研究中心，江苏 无锡 ２１４１２２） 摘 要：针对原始人工蜂群算法存在收敛速度慢和易陷入局部最优的不足，提出了一种基于信息反馈和改进适应度 评价的人工蜂群算法。 首先，引入种群个体分量记忆机制对个体信息进行反馈以增强种群开发能力，加快算法收敛 速度；其次，为避免因种群后期无法识别优秀个体导致的“早熟”现象，通过改进适应度函数增大不同个体间解的差 异性；最后，采用最优蜜源引导机制改进淘汰更新函数以避免不良个体的产生。 对标准函数的测试结果表明，改进 后算法有较快的收敛速度和较高的收敛精度。 关键词：人工蜂群算法；群体智能；进化算法；函数优化；信息反馈 中图分类号： ＴＰ１８ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１６）０２⁃０１７２⁃０８ 中文引用格式：陈杰，沈艳霞，陆欣． 基于信息反馈和改进适应度评价的人工蜂群算法［Ｊ］． 智能系统学报， ２０１６， １１（２）： １７２⁃１７９． 英文引用格式：ＣＨＥＮ Ｊｉｅ， ＳＨＥＮ Ｙａｎｘｉａ， ＬＵ Ｘｉ． Ａｒｔｉｆｉｃｉａｌ ｂｅｅ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｆｅｅｄｂａｃｋ ａｎｄ ａｎ ｉｍｐｒｏｖｅｄ ｆｉｔｎｅｓｓ ｖａｌｕｅ ｅｖａｌｕａｔｉｏｎ［Ｊ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２０１６， １１（２）： １７２⁃１７９． Ａｒｔｉｆｉｃｉａｌ ｂｅｅ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｆｅｅｄｂａｃｋ ａｎｄ ａｎ ｉｍｐｒｏｖｅｄ ｆｉｔｎｅｓｓ ｖａｌｕｅ ｅｖａｌｕａｔｉｏｎ ＣＨＥＮ Ｊｉｅ， ＳＨＥＮ Ｙａｎｘｉａ， ＬＵ Ｘｉｎ （Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ Ａｐｐｌｉｃａｔｉｏｎｓ ｆｏｒ ＩＯＴ， Ｊｉａｎｇｎａｎ Ｕｎｉｖｅｒｓｉｔｙ， Ｗｕｘｉ ２１４１２２， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ａｒｔｉｆｉｃｉａｌ ｂｅｅ ｃｏｌｏｎｙ （ＡＢＣ） ａｌｇｏｒｉｔｈｍ ｃｏｎｖｅｒｇｅｓ ｓｌｏｗｌｙ ａｎｄ ｅａｓｉｌｙ ｇｅｔｓ ｓｔｕｃｋ ｏｎ ｌｏｃａｌ ｓｏｌｕｔｉｏｎｓ； ｈｅｎｃｅ， ａｎ ＡＢＣ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｆｅｅｄｂａｃｋ ａｎｄ ａｎ ｉｍｐｒｏｖｅｄ ｆｉｔｎｅｓｓ ｖａｌｕｅ ｅｖａｌｕａｔｉｏｎ ｉｓ ｐｒｏｐｏｓｅｄ． Ｔｈｅ ａｌｇｏｒｉｔｈｍ ｆｉｒｓｔ ｉｎｔｒｏｄｕｃｅｓ ａ ｍｅｍｏｒｙ ｍｅｃｈａｎｉｓｍ ｆｏｒ ｉｎｄｉｖｉｄｕａｌ ｃｏｍｐｏｎｅｎｔｓ ｔｏ ｆｅｅｄｂａｃｋ ｉｎｆｏｒｍａｔｉｏｎ ｔｏ ｅｎｈａｎｃｅ ｉｔｓ ｃａ⁃ ｐａｃｉｔｙ ｆｏｒ ｐｏｐｕｌａｔｉｏｎ ｅｘｐｌｏｉｔａｔｉｏｎ ａｎｄ ｔｏ ａｃｃｅｌｅｒａｔｅ ｔｈｅ ｃｏｎｖｅｒｇｅｎｃｅ ｓｐｅｅｄ． Ｔｈｅｎ， ｉｔ ａｄｏｐｔｓ ａ ｎｅｗ ｆｉｔｎｅｓｓ ｆｕｎｃｔｉｏｎ ｔｏ ｉｎｃｒｅａｓｅ ｔｈｅ ｄｉｆｆｅｒｅｎｃｅ ｂｅｔｗｅｅｎ ｉｎｄｉｖｉｄｕａｌｓ ａｎｄ ｔｏ ａｖｏｉｄ ｐｒｅｍａｔｕｒｅ ｃｏｎｖｅｒｇｅｎｃｅ ｆｒｏｍ ｆａｉｌｉｎｇ ｔｏ ｉｄｅｎｔｉｆｙ ｔｈｅ ｂｅｓｔ ｉｎｄｉ⁃ ｖｉｄｕａｌ． Ｆｉｎａｌｌｙ， ｔｈｅ ａｌｇｏｒｉｔｈｍ ｉｎｔｅｇｒａｔｅｓ ａｎ ｏｐｔｉｍａｌ ｎｅｃｔａｒ⁃ｓｏｕｒｃｅ ｇｕｉｄａｎｃｅ ｍｅｃｈａｎｉｓｍ ｉｎｔｏ ｔｈｅ ｋｎｏｃｋｏｕｔ ｆｕｎｃｔｉｏｎ ｔｏ ｐｒｅｖｅｎｔ ｔｈｅ ｐｒｏｄｕｃｔｉｏｎ ｏｆ ｕｎｅｘｐｅｃｔｅｄ ｉｎｄｉｖｉｄｕａｌｓ． Ｅｘｐｅｒｉｍｅｎｔｓ ｗｅｒｅ ｃｏｎｄｕｃｔｅｄ ｏｎ ｓｔａｎｄａｒｄ ｆｕｎｃｔｉｏｎｓ ａｎｄ ｗｅｒｅ ｃｏｍ⁃ ｐａｒｅｄ ｗｉｔｈ ｔｈｏｓｅ ｗｉｔｈ ｓｅｖｅｒａｌ ｔｙｐｉｃａｌ ｉｍｐｒｏｖｅｄ ＡＢＣｓ． Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｉｍｐｒｏｖｅｄ ａｌｇｏｒｉｔｈｍ ａｃｃｅｌｅｒａｔｅｓ ｔｈｅ ｃｏｎｖｅｒｇｅｎｃｅ ｒａｔｅ ａｎｄ ｉｍｐｒｏｖｅｓ ｔｈｅ ｓｏｌｕｔｉｏｎ ａｃｃｕｒａｃｙ． Ｋｅｙｗｏｒｄｓ： ａｒｔｉｆｉｃｉａｌ ｂｅｅ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ； ｓｗａｒｍ ｉｎｔｅｌｌｉｇｅｎｃｅ； ｅｖｏｌｕｔｉｏｎａｒｙ ａｌｇｏｒｉｔｈｍ； ｆｕｎｃｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ； ｉｎ⁃ ｆｏｒｍａｔｉｏｎ ｆｅｅｄｂａｃｋ 收稿日期：２０１５⁃０６⁃１５． 网络出版日期：２０１６⁃０３⁃１５． 基金项目：国家自然科学基金项目（６１５７３１６７）；高等学校博士学科点专 项科研基金项目（２０１３００９３１１００１１）；江苏省自然科学基金项 目（ＢＫ２０１４１１１４）． 通信作者：沈艳霞． Ｅ⁃ｍａｉｌ： ｓｈｅｎｙｘ＠ ｊｉａｎｇｎａｎ．ｅｄｕ．ｃｎ． 随着优化问题在工程应用和理论研究上日益突 出，基于群体智能理论的优化算法受到人们广泛关 注。 近年来，人工蜂群（ ａｒｔｉｆｉｃｉａｌ ｂｅｅ ｃｏｌｏｎｙ， ＡＢＣ） 算法因结构简单、参数较少和易于实现的良好特性 在群体智能算法中脱颖而出［１⁃２］ 。 文献［１］ 中指出 ＡＢＣ 算法与遗传算法（ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ，ＧＡ）、差分 进化算法（ ｄｉｆｆｅｒｅｎｔｉａｌ ｅｖｏｌｕｔｉｏｎ，ＤＥ） 和粒子群优化 算法（ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）相比较，其求 解质量较好。 目前，ＡＢＣ 算法已经在人工神经网络 训练［３⁃４］ 、组合优化［５⁃６］ 、电力系统优化［７］ 等多个领