Mehiläisyhdyskunnan algoritmi

Kokeneet kirjoittajat eivät ole vielä tarkistaneet sivun nykyistä versiota, ja se voi poiketa merkittävästi 3. lokakuuta 2017 tarkistetusta versiosta . tarkastukset vaativat 4 muokkausta .

Mehiläisyhdyskuntaalgoritmi ( keinotekoinen mehiläisyhdyskunnan optimointi , ABC )  on yksi polynomisista heuristisista algoritmeista tietojenkäsittelytieteen ja operaatiotutkimuksen optimointiongelmien ratkaisemiseen . Kuuluu stokastisten bionisten algoritmien luokkaan , joka perustuu mehiläisyhdyskunnan käyttäytymisen simulointiin kerättäessä nektaria luonnossa. D. Karabogan ehdotus vuonna 2005 [1] .

Mehiläisten nektarikeräysstrategia luonnossa

Mehiläisyhdyskunnan työn päätarkoituksena luonnossa on tutkia pesän ympärillä olevaa tilaa nektarin etsimiseksi ja sen jälkeen keräämiseksi. Tätä varten yhdyskunnassa on erityyppisiä mehiläisiä: partiomehiläisiä ja työmehiläisiä-rehunhakijoita (niiden lisäksi yhdyskunnassa on droneja ja kuningatar , jotka eivät osallistu nektarin keräämiseen). Partiolaiset tutkivat pesää ympäröivää tilaa ja raportoivat tietoa lupaavista paikoista, joista on löydetty suurin määrä nektaria (pesässä on erityinen tiedonvaihtomekanismi, nimeltään mehiläistanssi ).

Tavoitteen toiminnan optimointistrategia

Mehiläisyhdyskuntaalgoritmilla voidaan ratkaista diskreettejä ( kombinatorisia ) ja jatkuviaglobaaleja optimointiongelmia [ 2 ] [ 3 ] ja se on riittävän samankaltainen monikäynnistysalgoritmien . Se sisältää yleensä pesän mehiläisten alustavan tiedustelun ja myöhemmän työn. Alustamisen (alkututkinnan) aikana ominaisuustilaa tutkitaan sen lupaavimpien pisteiden määrittämiseksi parhailla tavoitefunktioarvoilla (yksinkertaisimmassa tapauksessa satunnaislaskentamenetelmällä jotka tallennetaan pesään Tämän jälkeen suoritetaan paikallistutkiminen valittujen pisteiden läheisyydessä tietyllä tiedustelualueella ratkaisun tarkentamiseksi (ennätyksen parantamiseksi), kun taas parannus saavutetaan pesässä, ennätyksen päivitetty arvo. ja vastaava tavoitefunktion parametrivektori . Yhdistämällä partio- ja työmehiläisten työtä tietyn iteraatiomäärän aikana, algoritmi parantaa asteittain muistiin tallennettua ratkaisuotosta . Työnsä päätyttyä paras valitaan määritetystä ratkaisujoukosta, joka on algoritmin tulos.

Katso myös


Muistiinpanot

  1. ↑ D. Dervis Karaboga, Hunajamehiläisparveen perustuva idea numeerista optimointia varten, Technical Report-TR06, Erciyesin yliopisto, tekniikan tiedekunta, tietokonetekniikan osasto 2005.
  2. ↑ Pham, DT, Castellani, M. (2009), The Bees Algorithm - Modeling Foraging Behavior to Solve Continuous Optimization Problems Arkistoitu 9. marraskuuta 2016 Wayback Machinessa . Proc. ImechE, osa C, 223(12), 2919-2938.
  3. ↑ Pham, DT ja Castellani, M. (2013), Benchmarking and Comparison of Nature-Inspired Population-Based Continuous Optimization Algorithms Arkistoitu 26. lokakuuta 2017, Wayback Machine , Soft Computing, 1-33.