人工蜂群算法（源码）

AN IDEA BASED ON HONEY BEE SWARM FOR NUMERICAL OPTIMIZATION

这篇论文没有讲到具体如何实现，但是大家可以通过去官网学习一下这个算法。

算法主要的变化，由三种蜜蜂的行为决定。

适应度值修正

fitness ( X m → ) = { 1 / ( 1 + f ( X m → ) ) if f ( X m → ) ≥ 0 1 + a b s ( f ( X m → ) ) if f ( X m → ) < 0 } \text { fitness }\left(\overrightarrow{X_m}\right)=\left\{\begin{array}{cl}1 /\left(1+f\left(\overrightarrow{X_m}\right)\right) & \text { if } f\left(\overrightarrow{X_m}\right) \geq 0 \\1+a b s\left(f\left(\overrightarrow{X_m}\right)\right) & \text { if } f\left(\overrightarrow{X_m}\right)<0\end{array}\right\} fitness (Xm )=⎩ ⎨ ⎧1/(1+f(Xm ))1+abs(f(Xm )) if f(Xm )≥0 if f(Xm )<0⎭ ⎬ ⎫

首先，人工蜂群算法做的是求解最小值的问题，为了使得后面的轮盘赌算法能更好的运行，所以使用了这个修正函数，当原来的适应度值越小的时候，修正后的适应度值就会变得更大，并且修正过后的适应度值都为正数，同时，当适应度值为正数时候他修改后的适应度值小于等1，适应度值为负数的时候，适应度值大于1。

雇佣蜂(employed bee)

雇佣蜂负责在蜜源的附近搜索

public void employeeMove(){for(int i = 0;i<employeeBeeSize;i++){int j = (int)(Math.random()*employeeBeeSize);while(j==i){j = (int)(Math.random()*employeeBeeSize);//i!=j}//遍历所有的蜜源， 并且从里面挑出一个不是自己的蜜源的蜜源，i!=jint d = (int)(Math.random()*dimension);//随机挑一个维度进行变异Individual oldInd = honey.get(i);double xid = oldInd.getPosition().get(d);double xjd = honey.get(j).getPosition().get(d);double phi = Math.random()*2-1;//[-1,1)double vid = xid+phi*(xid-xjd);Position newPos = oldInd.getPosition().clone();newPos.set(d,vid);Individual newInd = new Individual(newPos);updateFitness(newInd);if(newInd.modifyFitness>oldInd.modifyFitness){//修正过以后越大越好honey.set(i,newInd);//贪婪交换trail[i]=0;}else {trail[i]++;}}}

这里是雇佣蜂的搜索

遍历所有的雇佣蜂，由于直接将蜜源当成雇佣蜂来写比较方便，所以后面不管是雇佣蜂还是旁观蜂都用蜜源（honey表示）
随机挑一个和自己不一样的蜜源，并且挑选一个维度使用公式 x i d = x i d + ϕ ∗ ( x i d − x k d ) x_{id} = x_{id}+\phi *(x_{id}-x_{kd}) xid=xid+ϕ∗(xid−xkd)进行变异，其中i是当前的蜜源，k是随机挑出来的蜜源，d代表着要变异的维度， ϕ \phi ϕ为(-1,1)上面均匀分布的随机数。
假如更新过后的蜜源比原来的蜜源要好，就替换，假如不是则 t r a i l trail trail增加， t r a i l trail trail是记录当前的蜜源有多久没有变化的。 t r a i l trail trail具有上限，当 t r a i l trail trail超过 l i m i t limit limit值的时候就会进行侦察峰的行为， l i m i t = d i m e n s i o n ∗ 10 limit = dimension * 10 limit=dimension∗10

旁观蜂(onlooker bee)

public void onlookerMove(){double sum = 0;for(int i = 0;i<employeeBeeSize;i++){sum+=honey.get(i).getModifyFitness();}for(int i = 0;i<onlookersSize;i++){double prob = Math.random()*sum;int select = 0;double curProb = 0;for(int j = 0;j<employeeBeeSize;j++){curProb+=honey.get(j).getModifyFitness();if(prob<curProb){select = j;break;}}int selectDimension = (int)(dimension*Math.random());Individual oldInd = honey.get(i);double xid = oldInd.getPosition().get(selectDimension);double xjd = honey.get(select).getPosition().get(selectDimension);double phi = Math.random()*2-1;//[-1,1)double vid = xid+phi*(xid-xjd);Position newPos = oldInd.getPosition().clone();newPos.set(selectDimension,vid);Individual newInd = new Individual(newPos);updateFitness(newInd);if(newInd.modifyFitness>oldInd.modifyFitness){//最大化修正过的适应度值，minihoney.set(i,newInd);//贪婪交换trail[i]=0;}else {trail[i]++;}}}

旁观蜂阶段大致是和雇佣蜂阶段相同的，最大的不同点就是，雇佣蜂阶段使用的是随机挑选一个雇佣蜂进行跟随，但是在旁观蜂阶段使用的是贪心形选择，将修正过后的适应度值作为选取轮盘赌的依据

轮盘赌的公式为:

p m = f i t m ( X m → ) ∑ m = 1 ∣ P ∣ f i t m ( X m → ) p_m=\frac{f i t_m\left(\overrightarrow{X_m}\right)}{\sum_{m=1}^{|P|} f i t_m\left(\overrightarrow{X_m}\right)} pm=∑m=1∣P∣fitm(Xm )fitm(Xm )

注意这里的fit为修改过后的适应度值，修改过后的适应度值越大，则在该轮被选取的概率越大。

同样的，这里变化的公式为 x i d = x i d + ϕ ∗ ( x i d − x k d ) x_{id} = x_{id}+\phi *(x_{id}-x_{kd}) xid=xid+ϕ∗(xid−xkd)，k为根据轮盘赌选出的蜜蜂。

侦察峰（scout bee）

侦察峰

public void scoutMove(){int selectMaxTrail = 0;int limit = dimension*10;for(int i = 0;i<employeeBeeSize;i++){//find max trail beeif(trail[i]>limit&&trail[selectMaxTrail]< trail[i]){selectMaxTrail = i;}}if(trail[selectMaxTrail]>limit){Individual scout = new Individual(positionFactory.initRandomPosition());updateFitness(scout);trail[selectMaxTrail] = 0;honey.set(selectMaxTrail,scout);}}

这里就是每一轮都挑出最大的trail的蜜源出来，假如蜜源超过上限的话，就重新初始化这个蜜源。

总体流程就是这样↓

将侦察蜂送到初始化的食物源
重复雇佣蜂行为旁观蜂行为侦察峰行为记录下最优解
直到（需求被满足）

总体流程代码

import java.util.*;//人工蜂群优化算法
public class ABC{int populationSize = 40;int onlookersSize = populationSize/2;//跟随蜂int employeeBeeSize = populationSize/2;//雇佣蜂Individual scout;List<Individual> honey;PositionFactory positionFactory;Individual bestBee;int dimension;int trail[];//记录迭代次数public ABC(int dimension,int ub,int lb){this.dimension = dimension;positionFactory = new PositionFactory(dimension,ub,lb);init();int iterTime = 0;int maxIterTime = 1000;while(iterTime<maxIterTime){employeeMove();onlookerMove();recordBest();scoutMove();recordBest();iterTime++;System.out.println(bestBee.fitness+"   "+bestBee.modifyFitness);}}public static void main(String[] args) {new ABC(2,4,-2);}public void init(){scout = new Individual(positionFactory.initRandomPosition());updateFitness(scout);honey = new ArrayList<>(onlookersSize);for (int i = 0; i < onlookersSize; i++) {Position p = positionFactory.initRandomPosition();Individual individual = new Individual(p);updateFitness(individual);honey.add(individual);}trail = new int[onlookersSize];Arrays.fill(trail,0);}public void employeeMove(){for(int i = 0;i<employeeBeeSize;i++){int j = (int)(Math.random()*employeeBeeSize);while(j==i){j = (int)(Math.random()*employeeBeeSize);//i!=j}int d = (int)(Math.random()*dimension);Individual oldInd = honey.get(i);double xid = oldInd.getPosition().get(d);double xjd = honey.get(j).getPosition().get(d);double phi = Math.random()*2-1;//[-1,1)double vid = xid+phi*(xid-xjd);Position newPos = oldInd.getPosition().clone();newPos.set(d,vid);Individual newInd = new Individual(newPos);updateFitness(newInd);if(newInd.modifyFitness>oldInd.modifyFitness){//修正过以后越大越好honey.set(i,newInd);//贪婪交换trail[i]=0;}else {trail[i]++;}}}public void onlookerMove(){double sum = 0;for(int i = 0;i<employeeBeeSize;i++){sum+=honey.get(i).getModifyFitness();}for(int i = 0;i<onlookersSize;i++){double prob = Math.random()*sum;int select = 0;double curProb = 0;for(int j = 0;j<employeeBeeSize;j++){curProb+=honey.get(j).getModifyFitness();if(prob<curProb){select = j;break;}}int selectDimension = (int)(dimension*Math.random());Individual oldInd = honey.get(i);double xid = oldInd.getPosition().get(selectDimension);double xjd = honey.get(select).getPosition().get(selectDimension);double phi = Math.random()*2-1;//[-1,1)double vid = xid+phi*(xid-xjd);Position newPos = oldInd.getPosition().clone();newPos.set(selectDimension,vid);Individual newInd = new Individual(newPos);updateFitness(newInd);if(newInd.modifyFitness>oldInd.modifyFitness){//最大化修正过的适应度值，minihoney.set(i,newInd);//贪婪交换trail[i]=0;}else {trail[i]++;}}}public void scoutMove(){int selectMaxTrail = 0;int limit = dimension*10;for(int i = 0;i<employeeBeeSize;i++){//find max trail beeif(trail[i]>limit&&trail[selectMaxTrail]< trail[i]){selectMaxTrail = i;}}if(trail[selectMaxTrail]>limit){Individual scout = new Individual(positionFactory.initRandomPosition());updateFitness(scout);trail[selectMaxTrail] = 0;honey.set(selectMaxTrail,scout);}}//求解最小值问题public void recordBest(){Individual curBestBee = Collections.min(honey, new Comparator<Individual>() {@Overridepublic int compare(Individual o1, Individual o2) {return new Double(o1.getFitness()).compareTo(new Double(o2.getFitness()));}});if(bestBee==null){bestBee = curBestBee;}else if(bestBee.fitness>curBestBee.fitness){bestBee = curBestBee;}}public void updateFitness(Individual individual){individual.fitness = sinsin(individual.getPosition());individual.modifyFitness = modifyFitness(individual.fitness);}public static double Michalewicz(Position position){double res = 0;double m = 10;for (int i = 0; i < position.size(); i++) {double x = position.get(i);res+=-Math.sin(x)*Math.pow(Math.sin((i+1)*x*x/Math.PI),2*m);}return res;}public static double sinsin(Position position){double res = 0;for(int i = 0;i<position.size();i++){double x = position.get(i);res+=Math.sin(x);}return res;}public static double modifyFitness(double value){if(value>=0){return 1.0/(1.0+value);}else {return 1+Math.abs(value);}}
}

总结

这篇算法有粒子群算法的影子，在旁观蜂阶段使用轮盘赌算法，同时也有差分进化算法的影子：雇佣蜂阶段搜索猎物。而且这个算法没有什么需要调参的地方，感觉还行，这篇算法要注意的地方是适应度修正的地方然后就没有了。