机器学习笔记 - 什么是ABC算法？

1、ABC算法概述

许多自然现象是创建基于种群的优化算法的动机。基于种群的算法的两种主要形式是进化算法和群体智能算法。人工蜂群 (ABC) 算法是一种基于群体的元启发式技术，最初用于数值优化。它的灵感来自蜜蜂聪明的觅食行为。该模型由三个关键部分组成：就业和失业的觅食蜜蜂，以及食物来源。

人工蜂群 (Artificial Bee Colony) 是Dervis Karaboga 2005年定义的算法之一，受蜜蜂智能行为的启发。它与粒子群优化 (PSO) 和差分进化 (DE) 算法一样简单，并且仅使用常见的控制参数，例如菌落大小和最大循环数。ABC作为一种优化工具，提供了一种基于种群的搜索过程，其中被称为食物位置的个体被人工蜜蜂随着时间的推移而修改，蜜蜂的目标是发现花蜜量高的食物来源地，最后发现最高的食物来源地。花蜜。在 ABC 系统中，人造蜜蜂在多维搜索空间中飞来飞去，一些（受雇和旁观的蜜蜂）根据自己和巢友的经验选择食物来源，并调整它们的位置。一些（侦察员）在没有使用经验的情况下随机飞行并选择食物来源。如果新来源的花蜜量在他们的记忆中高于前一个，他们就会记住新的位置而忘记前一个。因此，ABC 系统将由雇佣蜂和旁观者蜜蜂执行的局部搜索方法与由旁观者和侦察员管理的全局搜索方法相结合，试图平衡探索和开发过程。

2、ABC算法原理

基于群的优化算法使用协作试错法来确定解决方案。ABC 优化算法由社会群体的点对点学习行为驱动。ABC 由一组潜在的解决方案组成，并通过迭代过程找到最佳解决方案。

决定 ABC 种群发展的两个基本因素是变异和选择。变化过程探索搜索空间的不同部分。选择程序保证利用过去的经验。

ABC算法分为四个阶段：初始化阶段、雇佣蜜蜂阶段、侦察蜂阶段和围观蜜蜂阶段。更详细的每阶段的算法公式等见下面的算法主页和参考网址。

初始化阶段

重复

   雇佣蜜蜂阶段

   围观蜜蜂阶段

   侦察蜂阶段

   记住迄今为止取得的最佳解决方案

until(Cycle=最大循环数或最大 CPU 时间)

在种群的初始化中，ABC 生成一个均匀分布的解种群，其中每个解都是一个维向量。维数取决于人口中特定食物来源的优化问题中的变量数。

受雇的蜜蜂根据来自个人经验的信息和新解决方案的适应度值修改当前解决方案。如果新食物源的适应度值高于旧食物源的适应度值，则蜜蜂用新食物源更新位置并丢弃旧食物源。使用在初始阶段之前定义的维度向量更新位置，其中包含获取更新位置所需的步长。步长是介于 –1 到 1 之间的随机数。

使用二维搜索空间。突出显示的框描绘了随机选择的方向，而 Xi 显示了蜜蜂的当前位置。Xk 是随机选择的蜜蜂。在此阶段从指定蜜蜂群的相同方向减去随机蜜蜂的方向。这种差异因步长（一个随机整数）而更加复杂。最后，通过将此量添加到 Xi 的维向量来计算新食物位置“V”的维数。该向量在 Xi 附近形成，并且具有与 Xi 相同的其他维度。

与蜂巢中的旁观蜜蜂一起，受雇的蜜蜂传达更新后的解决方案（食物来源）的健康信息（花蜜）以及它们的位置信息。旁观者蜜蜂评估给定数据并根据其适应度可能性选择解决方案。与雇用的蜜蜂一样，观察者蜜蜂会修改其记忆位置并评估预期来源的适用性。如果适应度高于前一个位置，蜜蜂会记住新位置并忘记旧位置。

如果食物源的位置没有在预定数量的周期内更新，则认为该位置已被放弃。废弃食物源的蜜蜂变成侦察蜂，食物源被搜索空间内随机选择的食物源替换。设定的循环次数，在 ABC 中被称为放弃限制，是一个关键的控制参数。