人工蜂群算法在旅行商问题中的应用研究 (4)
入局部最优，许多学者对该算法进行了改进。研究人员柳寅、马良发现利用模糊控制
器设计中用到的模糊判断规则，在人工蜂群算法中加入新扰动因子，就可以有效防止
算法过早进入收敛阶段。 毕晓君、王艳娇提出了一种小生境人工蜂群算法—NABC 算法，
适用于多峰函数优化问题，成功拓宽了ABC 算法的应用领域。郑伟、刘静、曾建潮总
结了ABC 算法解决组合优化问题的框架，并成功解决了0-1 背包问题。毕晓君、王艳
娇提出的 FABC 算法解决了参数设置的难题，同时还能够有效避免陷入局部最优 [5 -7]。
在应用方面，Yang 提出一种虚拟蜜蜂算法并用来解决数值优化问题。在这种算法
中，初始化时将若干只蜜蜂组成的群体随机分布在搜索空间中，各个蜜蜂基于适应度
函数来搜索食物源。在多变量数值优化问题中，D.Karaboga 基于蜜蜂的觅食机理设计
出了人工蜂群模型，并与其他著名的元启发式理论，如差分进化算法、粒子群优化算
法等在非约束数值优化问题上进行了仿真比较。D.Karaboga 和 B.Basturk 在2006 年
将 ABC 算法应用到约束性数值优化问题上，取得了令人满意的结果。ABC 算法在蛋白
质检测、预测和动态路径选择、可靠性冗余分配问题等方面也取得了较好的应用[5-7]。
总之，目前国内外针对人工蜂群算法的研究还不完善，具体应用还有待深入研究，
从而更好地促进仿生智能计算这一学科的发展进步。
1.5 研究内容和研究意义
人工蜂群算法是根据蜜蜂的自组织模型建立的一类非数值优化算法，是群体智能
的应用。近些年来国内外学者提出了许多混合蜂群算法，也成功地解决了一些组合优
化的问题。但是人工蜂群算法毕竟是一种新兴的元启发式算法，还不够完善，在经典
组合优化问题上的应用比较常见，但在组合优化方面，如果随着问题规模的不断扩大，
不论是空间还是时间，复杂程度都大幅度地增长，这样的情形下传统方法就很难应付
了。TSP 是组合优化中一种典型的NP 难题，在实际应用上具有很重大的研究价值[12]
。
本文在深入研究蜜蜂采蜜机理的基础之上，采取在基本ABC 算法中引入反向轮盘
赌机制的办法来解决算法收敛过早的问题，并在TSP 问题上进行了实验仿真。基于该
机制选取待更新的食物源，能够确保种群多样性以提高算法的进化能力。 1.6 论文的组织结构
本论文主要研究基于反向轮盘赌机制的人工蜂群算法在旅行商问题上的应用，基
于 Matlab 仿真对其进行检测，其具体安排如下:
第 1章为引言，阐述了群体智能优化算法的基本特点、几种常见的群智能优化算法以及本论文的研究内容及主要意义。
第 2章介绍了人工蜂群算法的相关知识，算法的主要步骤，控制参数的设定，以及人工蜂群算法的流程图。
第 3章针对基本ABC 算法的不足，提出基于反向轮盘赌机制的人工蜂群算法，介绍了其优势所在，并用软件进行了仿真，对仿真结果进行了分析。
第 4章总结了人工蜂群算法的优缺点，对未来的研究方向提出了进一步改善的建议。
下一篇：基于无线通信的可视化测试平台开发