4. 人工蜂群算法的改进策略
为了改进人工蜂群算法搜索速度慢、容易陷入局部最优解等缺点。2011年，胡珂在进行位置更新时，采用数学中的外推技巧，从而使得蜂群算法具有一定的引导趋势。同时，也在算法实施过程中引入了微调机制，最终提出了一种能够提高局部搜索能力的改进人工蜂群算法[73]。2011年，毕晓君为了加速种群的寻优速度，设计了新的选择与交叉策略，并且采用反向学习的变异策略来代替侦查蜂行为[74]。2012年，王慧颖在人工蜂群算法进行搜索模式的设计时，根据个体极值和全局最优解的信息进行改进，从而提高算法的局部搜索能力。为了平衡局部搜索和全局搜索，同时在算法中引入异步变化学习因子[75]。2012年，毕晓君在选择机制中，采用了自由搜索算法中的信息素、灵敏度模型，同时引入了OBL策略生成新蜜源，从而提出了一种改进的人工蜂群算法[76]。2012年，张银雪在邻域搜索时，采用目标函数自适应方式来对步长进行调整，并根据迭代次数非线性的特点进而不断地缩短侦查蜂的搜索范围[77]。2013年，易正俊在进行算法设计时，首先将跟随蜂的数量增加一倍，一半用于轮盘赌选择，一半进行反向轮盘赌选择，这样既保证了种群向最优方向靠近，又保持了种群的多样性[78]。2014年，王冰在进行人工蜂群算法设计时，跟随蜂采用的是混沌局部搜索策略，侦查蜂采用自适应侦查策略，从而随着迭代次数的不断增加，局部搜索范围会逐渐减小[79]。2014年，魏帅等人首先对适应度选择策略上进行改进，同时也结合了模拟退火算法，大大提高了算法的寻优能力[80]。2014年，田野等人在侦查蜂阶段，通过交叉策略来指导其觅食行为，从而大大地提高了算法的收敛速度[81]。2014年，王志刚根据差分进化算法提出了一种新的搜索策略，该策略在已有的最优解附近产生新的蜜源位置。同时，将种群分为两组且每组采用不同的搜索策略。从而平衡整个算法的寻优能力[82]。2015年，梁静等人根据种群的拥挤程度指标对个体的自适应邻域搜索策略进行设计，同时为维持种群的多样性，在侦查蜂阶段引入了一种较差个体重置机制[83]。2015年，臧明相等人运用均匀设计理论来对初始种群进行构造，同时为了能够及时淘汰陷入局部最优的个体，提出了一种小生境技术和对数函数自适应步长策略[84]。2015年，李彦苍为了有效地度量算法中跟随蜂选择的不确定性，引入了信息熵概念，从而指导跟随蜂的选择过程。最终实现算法的自适应调节效果[85]。2015年，李国亮针对不同搜索阶段的特点设计了不同的搜索策略，为了避免陷入局部最优，算法中定义了逃逸半径。同时利用反向学习结合均匀分布的初始化策略，从而保证生产的初始解能够均匀分布[86]。
作者：陈伟栋