Алгоритм пчелиной колонии (алгоритм оптимизации подражанием пчелиной колонии, англ. artificial bee colony optimization, ABC) — один из полиномиальных эвристических алгоритмов для решения оптимизационных задач в области информатики и исследования операций. Относится к категории стохастических бионических алгоритмов, основан на имитации поведения колонии медоносных пчел при сборе нектара в природе. Предложен Д. Карабога в 2005 г[1].
Стратегия сбора нектара медоносными пчелами в природе
Основной целью работы пчелиной колонии в природе является разведка пространства вокруг улья с целью поиска нектара с последующим его сбором. Для этого в составе колонии существуют различные типы пчел: пчелы-разведчики и рабочие пчелы-фуражиры (кроме них, в колонии существуют трутни и матка, не участвующие в процессе сбора нектара). Разведчики ведут исследование окружающего улей пространства и сообщают информацию о перспективных местах, в которых было обнаружено наибольшее количество нектара (для обмена информацией в улье существует специальный механизм, именуемый танцем пчелы).
Стратегия оптимизации целевой функции
Алгоритм пчелиной колонии может применяться для решения дискретных (комбинаторных) и непрерывных задач глобальной оптимизации[2][3] и имеет достаточную степень схожести с мультистарт-алгоритмами. Обычно он включает в себя начальную разведку и последующую работу пчел улья. При инициализации (начальной разведке) производится выполнение разведки пространства признаков с целью определения его наиболее перспективных точек с наилучшими значениями целевой функции (в простейшем случае с использованием метода случайного перебора), которые запоминаются в улье. После этого в окрестностях выбранных точек производится локальная разведка в пределах заданного радиуса разведки с целью попытки уточнения решения (улучшения рекорда), при этом при достижении улучшения в улье сохраняется обновленное значение рекорда и соответствующий ему вектор параметров целевой функции . Комбинируя работу пчел-разведчиков и рабочих пчел на протяжении заданного числа итераций алгоритм обеспечивает постепенное улучшение запоминаемой выборки из решений. По завершении его работы из указанного множества решений выбирается наилучшее, что является результатом работы алгоритма.
![{\displaystyle {\mathfrak {R}}=[X_{1},X_{2},...,X_{K}]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/283a19c77b4cc8189de83e8049eed3b6da122c67)
См. также
Примечания
- ↑ D. Dervis Karaboga, An Idea Based On Honey Bee Swarm for Numerical Optimization, Technical Report-TR06, Erciyes University, Engineering Faculty, Computer Engineering Department 2005.
- ↑ Pham, D.T., Castellani, M. (2009), The Bees Algorithm – Modelling Foraging Behaviour to Solve Continuous Optimisation Problems Архивная копия от 9 ноября 2016 на Wayback Machine. Proc. ImechE, Part C, 223(12), 2919-2938.
- ↑ Pham, D.T. and Castellani, M. (2013), Benchmarking and Comparison of Nature-Inspired Population-Based Continuous Optimisation Algorithms Архивная копия от 26 октября 2017 на Wayback Machine, Soft Computing, 1-33.
| Методы оптимизации | |
|---|---|
| Одномерные |
|
| Нулевого порядка | |
| Первого порядка | |
| Второго порядка | |
| Стохастические | |
| Методы линейного программирования | |
| Методы нелинейного программирования | |
Эта страница в последний раз была отредактирована 2 сентября 2022 в 11:08.
Обычно почти сразу, изредка в течении часа.