优化算法 | 人工蜂群算法（附Python代码）

1）初始化各蜜源 ; 设定参数、 以及最大迭代次数; 计数器初始化;
2）为蜜源分配一只引领蜂，按式进行搜索，产生新蜜源 ;
3）依据式评价的适应度，根据贪婪选择的方法确定保留的蜜源;
4）由式计算引领蜂找到的蜜源被跟随的概率;
5）跟随峰采用与引领蜂相同的方式进行搜索，根据贪婪选择的方法确定保留的蜜源;
6）判断蜜源 是否满足被放弃的条件。如满足，对应的引领蜂角色变为侦察蜂，否则直接转到8）;
7）侦察蜂根据式随机产生新蜜源;
8）; 判断算法是否满足终止条件，若满足则终止，输出最优解，否则转到2）。

.position = np.random.uniform(varmin, varmax, nvar)
        pop.cost = costfunc(pop.position)
        if pop.cost < bestsol.cost:
            bestsol = pop.deepcopy()

    # 初始化每个个体的抛弃次数
    count = np.empty(npop)

    # 记录每一代中全局最优个体目标函数值
    bestcost = np.empty(maxit)

    # 人工蜂群算法主循环
    for it in range(maxit):

        # 引领蜂
        for i in range(npop):

            # 随机选择k，不等于i
            K = np.append(np.arange(0,i),np.arange(i+1,npop))
            k = K[np.random.randint(K.size)]

            # 定义加速系数
            phi = a * np.random.uniform(-1, 1, nvar)

            # 新的蜜蜂位置
            newbee.position = pop.position + phi * (pop.position - pop[k].position)

            # 计算新蜜蜂目标函数值
            newbee.cost = costfunc(newbee.position)

            # 通过比较目标函数值，更新第i个蜜蜂的位置
            if newbee.cost < pop.cost:
                pop = newbee.deepcopy()
            else:
                count += 1

        # 计算适应度值和选择概率
        fit = np.empty(npop)
        meancost = np.mean([pop.cost for i in range(npop)])
        for i in range(npop):
            fit = np.exp(-pop.cost/meancost)     #将目标函数值转换为适应度值

        probs = fit / np.sum(fit)

        # 跟随蜂
        for m in range(nonlooker):

            # 通过轮盘赌的方式选择蜜源
            i = roulette_wheel_selection(probs)

            # 随机选择k，不等于i
            K = np.append(np.arange(0, i), np.arange(i + 1, npop))
            k = K[np.random.randint(K.size)]

            # 定义加速系数
            phi = a * np.random.uniform(-1, 1, nvar)

            # 新的蜜蜂位置
            newbee.position = pop.position + phi * (pop.position - pop[k].position)

            # 计算新蜜蜂目标函数值
            newbee.cost = costfunc(newbee.position)

            # 通过比较目标函数值，更新第i个蜜蜂的位置
            if newbee.cost < pop.cost:
                pop = newbee.deepcopy()
            else:
                count += 1

        # 侦察蜂
        for i in range(npop):
            if count > limit:
                pop.position = np.random.uniform(varmin, varmax, nvar)
                pop.cost = costfunc(pop.position)
                count = 0

        # 更新全局最优解
        for i in range(npop):
            if pop.cost < bestsol.cost:
                bestsol = pop.deepcopy()

        # 存储每一代全局最优解的目标函数值
        bestcost[it] = bestsol.cost

        # 展示迭代信息
        print("Iteration {}: Best Cost = {}".format(it, bestcost[it]))

    # 返回值
    out = structure()
    out.pop = pop
    out.bestsol = bestsol
    out.bestcost = bestcost
    return out

def roulette_wheel_selection(p):
    c = np.cumsum(p)
    r = sum(p) * np.random.rand()
    ind = np.argwhere(r <= c)
    return ind[0][0]
app.py文件如下所示：
import matplotlib.pyplot as plt
import numpy as np
from ypstruct import structure
import time
import artificial_bee_colony

start = time.time()         #运行开始时刻
# 测试函数
def sphere(x):
    return sum(x**2)

# 问题定义
problem = structure()
problem.costfunc = sphere
problem.nvar = 10
problem.varmin = -100 * np.ones(10)
problem.varmax = 100 * np.ones(10)

# ABC参数
params = structure()
params.maxit = 500
params.npop = 100
params.nonlooker = 100
params.a = 1

# 运行ABC
out = artificial_bee_colony.run(problem, params)
# 运行结果
plt.rcParams['font.sans-serif'] = ['KaiTi']  #设置字体为楷体
plt.plot(out.bestcost)
print("最优解：{}".format(out.bestsol))
end = time.time()              # 运行结束时刻
print('运行时间：{}s'.format(end-start))

plt.xlim(0, params.maxit)
plt.xlabel('迭代次数')
plt.ylabel('全局最优目标函数值')
plt.title('人工蜂群算法')
plt.grid(True)
plt.show()
<hr/>3.ABC算法实例验证

测试函数如下：

运行app.py文件，运行结果如下：




参考文献
[1] 秦全德, 程适, 李丽, 等. 人工蜂群算法研究综述[J]. 2014
<hr/>我们已经推出粉丝QQ交流群，各位小伙伴赶快加入吧！！！
咱们下期再见
近期你可能错过了的好文章

新书上架 | 《MATLAB智能优化算法：从写代码到算法思想》
优化算法 | 灰狼优化算法（文末有福利）
优化算法 | 鲸鱼优化算法
遗传算法（GA）求解带时间窗的车辆路径（VRPTW）问题MATLAB代码
粒子群优化算法（PSO）求解带时间窗的车辆路径问题（VRPTW）MATLAB代码

知乎 | bilibili | CSDN：随心390