Wykorzystanie algorytmów pszczelich w procesie poszukiwania minimum funkcji celu
Using of a bee algorithms for searching process of minimum of objective function
Mechanik nr 07/2015 - Artykuły z XIX Międzynarodowej Szkoły Komputerowego Wspomagania Projektowania, Wytwarzania i Eksploatacji zamieszczone płycie CD
STRESZCZENIE: Algorytmy pszczele są jednymi z najczęściej wykorzystywanych algorytmów bazujących na sztucznej inteligencji. ABC oraz BCO symulują poszukiwanie źródła pokarmu przez pszczoły miodne. W poniższej pracy przedstawiono zastosowanie algorytmów pszczelich do wyznaczenia minimum wybranych funkcji testowych. Algorytmy pszczele porównano z metodą prostego poszukiwania oraz z algorytmem genetycznym. Całość przetestowano na trzynastu funkcjach. Zastosowane metody zostaną w przyszłości wykorzystane do rozwiązywania problemów optymalizacyjnych z zakresu sprawności urządzeń energetycznych.
SŁOWA KLUCZOWE: optymalizacja, inteligencja stada, funkcja celu, Artificial Bee Colony, Bee Colony Optimization.
ABSTRACT: Bee Algorithm is one of the most often used swarm-based algorithm. ABC and BCO simulates the foraging behavior of a honeybee swarm. In this article an application of bee algorithms to determine the minimum of a test function is presented. Bee algorithms are compared with simple search method and genetic algorithm. All algorithm are tested on 13 functions. The presented methods will in future be applied for solving optimization problems related to the efficiency of power engineering devices.
KEYWORDS: optimization, swarm intelligence, objective function, Artificial Bee Colony, Bee Colony Optimization.
BIBLIOGRAFIA / BIBLIOGRAPHY:
- Abadeh M.S., Habibi J.: A Hybridization of Evolutionary Fuzzy Systems and Ant Colony Optimization for Intrusion Detection, ISC Int. J. Inf. Secur. 2, 2015.
- Lenin K., Reddy R., Kalvathi S.: Integration of Particle Swarm & Ant Colony Algorithm for Solving Optimal Reactive Power Dispatch Problem, J. Electr. Control Eng. 4, 2014, 10-15.
- Mirsadeghi E., Shariat Panahi M.: Hybridizing Artificial Bee Colony with Simulated Annealing, Int. J. Hybrid Inf. Technol. 5, 2012, 11-18.
- Wu B., Hua Qian C.: Differential Artificial Bee Colony Algorithm for Global Numerical Optimization, 2011, 8.
- Yang X.-S.: A New Metaheuristic Bat-Inspired Algorithm, in: Nat. Inspired Coop. Stragegies Optim. (NISCO 2010), Springer Berlin Heidelberg, Berlin, 2010, 65-74.
- Teodorovic D., Lucic P., Markovic G., Orco M.D.: Bee Colony Optimization: Principles and Applications, in: 2006 8th Semin. Neural Netw. Appl. Electr. Eng., IEEE, 2006, 151-156.
- Rashedi E., Nezamabadi-pour H., Saryazdi S.: GSA: A Gravitational Search Algorithm, Inf. Sci. (Ny). 179, 2009, 2232-2248.
- Krishnanand K.N., Ghose D.: Theoretical foundations for rendezvous of glowworminspired agent swarms at multiple locations, Rob. Auton. Syst. 56 (2008), 549-569.
- Mirjalili S., Mirjalili S.M., Lewis A.: Grey Wolf Optimizer, Adv. Eng. Softw. 69, 2014, 46-61.
- Kumar S., Kumar Sharma V., Kumari R.: Self-Adaptive Spider Monkey Optimization Algorithm for Engineering Optimization Problems, Int. J. Information, Commun. Comput. Technol. II. 2014, 96-107.
- Yang C., Chen J., Tu X.: Algorithm of Fast Marriage in Honey Bees Optimization and Convergence Analysis, in: 2007 IEEE Int. Conf. Autom. Logist., IEEE, 2007, 1794-1799.
- Goldberg D.E.: Genetic Algorithms in Search, Optimization & Machine Learning, 1989.
- Audet C., Dennis J.E.: Analysis of generalized pattern searches, SIAM J. Optim. 13, 2003, 889-903.
- Tereshko V., Loengarov A.: Collective Decision-Making in Honey Bee Foraging Dynamics, Sch. Comput. Univ. Paisley, 2015.
- Karaboga D., An Idea Based On Hoey Bee Swarm For Numerical Optimization, 2005.
- Jamil M., Yang X.-S.: A Literature Survey of Benchmark Functions For Global Optimization Problems, Int. J. Math. Model. Numer. Optim. 4, 2013, 150-194.
.gif)
