1、 1 蜂群算法及其应用 1、 研究背景。 伴随着当今社会、经济、文化和科技日新月异的发展，现实生活中面临着许多复杂的非 线性大系统和快速反应性系统，这使得我们传统的优化方法逐渐陷入困境。于是，人们开始 寻找更快、更好的方法去解决这些复杂问题。在自然界中，那些不起眼的群居低智能的生物 表现出来的令人叹为观止的复杂的群体智慧给予我们启迪，如：蚁群、鸟群、蜜蜂群、鱼群 等。在群居生物中，单个个体的智能是简单的，但若干个个体组成的群体却表现出远远超出 个体相加的智慧。在群体中，个体间相互合作、相互协调的自组织能力能够完成非常复杂的 任务。这种现象引起众多学者的关注，人们开始研究现象背后存在的机理，并用
2、计算机仿真 其中可循的规律，用以解决传统优化方法难以解决的复杂问题。其中，较为典型且广泛应用 的群体智能算法有：蚁群算法、微粒群算法以及蜂群算法等。 二十世纪初期以来，在优化领域中，传统的方法，如：线性规划、非线性规划、对策论、 多目标规划、决策论排队论、随机规划、库存论等，不仅在理论上的研究有很大的发展，而 且在军事、 经济、 城市建设规划、 工厂生产规划、 最优设计等各个方面的应用取得显著成就。 但伴随着社会、 经济和科学技术的飞速发展， 在生产生活中出现的许多复杂的非线性系统和 快速反应系统等不断的呈现在我们面前，使得传统的优化方法遇到了空前的挑战。 群体智能是指由大量数目的智能个体组成
3、的具有智能的群体， 这个群体体现出来的智能 绝对不是个体智能的简单相加，而是超过这个和的智能现象。在进行目标搜索时，单个个体 虽然也能够寻找到目标，但往往只是局限于局部，并不是全局最好的结果。个体在空间中随 机搜寻，在没有得到整个群体的信息反馈时，它的搜索是随机的、低智能的、无规律的。只 有群体问的个体相互合作、相互协调，进行信息共享时，才能表现出来在全局中针对目标的 寻优特征。作为智能个体，就其大小和功能来说，又是相对的，要根据所要解决的具体问题 而定。另外，群体智能中的个体，在整个群体寻优过程中也并不能时刻保证都具有寻优的特 征，其智能寻优方式的实现足通过整个智能群体的优化特征而体现出来的
4、。 人工蜂群算法作为典型的群体智能算法， 是基于种群寻优的启发式搜索算法， 充分发挥 群体中个体问的信息传递，在蜂巢周围寻找到路径最短，食物最丰富的食物源。由于整个觅 食过程与旅行商问题的相似性， 该算法适合用来解决旅行商的最短路径问题， 并取得较好的 结果。 蜂群算法(BCO，Bee Colony Optimization)是受到自然界的蜜蜂行为启发而提出的一种 新颖的元启发式优化算法。根据所受启发的生物机理的不同，蜂群算法可分为两大类： 基于蜜蜂繁殖机理的蜂群算法(BCO on propagating)。 基于蜜蜂采蜜机理的蜂群算法(BC0 on gathering)。 两种思想各有其独特的实现原理和发展轨迹。 对于基于繁殖的蜂群算法。Abbass发展出一种蜜蜂繁殖优化模型(BMO，Bee Mating Optimization)。 Bozorg Haddad和AAfshar共同将其发展并应用基于离散变量的水库优化 问题中。随后，Bozorg Haddad等将同一理论在三种数学问题的测试平台上进行了应用。 蜜蜂的采蜜行为是一种典型的群体智慧行为。Yang发展出一种虚拟蜜蜂理论(V
