针对人工蜂群算法在求解函数优化问题中存在收敛精度不高、收敛速度较慢的问题，提出了一种改进的增强寻优能力的自适应人工蜂群算法。该算法利用逻辑自映射函数产生混沌序列对雇佣蜂搜索行为进行混沌优化，并引入萤火虫算法中的自适应步长策略动态调整观察蜂的搜索行为，从而提升了算法的局部搜索能力。基于标准测试函数的仿真结果表明，改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。

【路径规划】基于人工蜂群的路径规划matlab源码.md

本文提出了一种新的优化算法，即分级人工蜂群优化算法，称为HABC，以解决射频识别网络规划（RNP）问题。 在提出的多层次模型中，较高层次的物种可以由较低层次的亚种群聚集。 在底层，每个采用规范ABC方法的子种群并行搜索零件尺寸最优值，可以将其构建为高层的完整解决方案。 同时，运用具有交叉和变异算子的综合学习方法来增强物种间的全局搜索能力。 针对一组10个基准优化问题进行了实验。 结果表明，与几种成功的群体智能算法和进化算法相比，拟议的HABC在大多数选定的基准函数上均具有出色的性能。 然后将HABC用于在两个不同规模的实例上解决现实世界中的RNP问题。 仿真结果表明，该算法在优化精度和计算鲁棒性方面优于RNP。

特征选择（特征子集选择）问题是各个领域中重要的预处理阶段之一。 在真实的数据集中，存在许多无用的不相关的、误导性的和冗余的特征。 主要特征可以通过特征选择技术来提取。 特征选择属于NP-hard问题； 因此，元启发式算法可用于解决该问题。 引入了一种新的二元 ABC，称为二元多邻域人工蜂群（BMNABC），以增强 ABC 阶段的探索和开发能力。 BMNABC 在第一和第二阶段应用具有新概率函数的近邻和远邻信息。 在第三阶段对那些在前几个阶段没有改进的解决方案进行了比标准 ABC 更有意识的搜索。 该算法可以与包装方法相结合以达到最佳效果。

用于优化 Cost-231 Hata 路径损耗模型的软件工具/框架； 使用人工蜂群 (ABC) 算法找到最佳操作参数集（移动设备与基站的距离、基站操作频率和基站天线高度）。

人工蜂群算法(Artificial Bee Colony Algorithm, ABC)是模仿蜜蜂行为提出的一种优化方法，是集群智能思想的一个具体应用，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度。

基于改进人工蜂群算法的多阈值图像分割

摘要-多目标优化方法对于解决实际问题至关重要。 提出了一种用于多目标优化问题的人工蜂群算法。 在该算法中，首先选择具有较少主导解决方案和更大拥挤距离的解决方案进入下一代，以较高的概率并以自我形容步骤搜索其附近，然后将基于对立的策略应用于初始化，以加快对Pareto最优解集的收敛速度，并提高Pareto最优解的分布均匀性目标空间中的解决方案。 多目标测试函数的仿真结果验证了该算法的有效性。

针对约束优化问题，提出一种自适应人工蜂群算法。算法采用反学习初始化方法使初始种群均匀分布于搜索空间。为了平衡搜索过程中可行个体和不可行个体的数量，算法使用自适应选择策略。在跟随蜂阶段，采用最优引导搜索方程来增强算法的开采能力。通过对13个标准测试问题进行实验并与其他算法比较，发现自适应人工蜂群算法具有较强的寻优能力和较好的稳定性。

- 基于人工蜂群算法的TSP（旅行商）问题 - 可以根据要求自己修改城市坐标 - 注释很详细