摘要人工蜂群算法（ABC）是一种模拟蜜蜂采蜜行为的群智能优化算法，由于它具有控制参数少、 易于实现、计算简单等优点，为解决复杂全局优化问题提供了一种新的方法。本文将求解组合优化问题的过程转化为蜜蜂群寻找优良蜜源的过程，分析了蜂群算法的原理与模型，介绍了算法的特点和流程。通过算例对旅行商问题（Traveling Salesman Problem,TSP）进行了仿真验证，实验结果表明人工蜂群算法能够克服早熟现象，迭代次数少，收敛速度快，通用性强，对于标准蚁群算法具有一定优势。61719

毕业论文关键词  群智能算法  人工蜂群算法  组合优化   旅行商问题

毕业设计说明书（论文）外文摘要

Title    An artificial bee colony algorithm for Traveling Salesman Problem                                             

Abstract Artificial bee colony (ABC) algorithm is a swarm intelligence optimization algorithm based on the particular intelligent behavior of honeybee swarms.Since the advantages of less control parameters,easily programming and simple calculation,it provides a new method for solving complex global optimization problem..The paper transforms combinatorial optimization problem to searching farina for honey bees, analyzes the basic theory and model of ABC.Paper also introduces the feather of ABC and its flow. Simulations are made on some examples of TSP. Results demonstrate that the algorithms of this paper can avoid prematurity and advance constringency and the algorithm has more advantages than ant standard colony algorithm.

Keywords Swarm Intelligence  Artificial Bee Colony Algorithm Combinatorial Optimization  Traveling salesman problem

1 绪论 1

1.1 研究背景 1

1.1.1 群体智能 1

1.1.2 群体智能算法 2

1.1.3 常见的群体智能算法简介 3

1.2 国内外研究现状 3

1.3 研究内容及意义 5

1.4 章节安排 5

2 人工蜂群算法简介 6

2.1 人工蜂群算法的原理 6

2.2 人工蜂群算法的流程 9

2.3 人工蜂群算法框架 11

2.4 人工蜂群算法的特点 11

2.5 本章小结 12

3 人工蜂群算法在TSP问题中的应用 13

3.1 TSP问题概述13

3.2 算法实现 14

3.3 仿真验证 16

3.3.1 仿真实验 15

3.3.2 结果分析 20

3.4 本章总结 21

结论 22

致谢 23

参考文献 24

 1 绪论

1.1 研究背景

随着现在的社会经济、文化和科技日新月异的迅速发展，我们的现实生活中出现了很多非常复杂的非线性大系统和需要快速反应的系统。而最优化问题，就是在满足某些特殊的约束条件下寻找一个好的策略，使系统的某些性能指标达到最大或最小。最优化问题在军事、经济、社会、工业生产等多个方面都有很重要的应用。

根据不同的分类方式可以将最优化问题分为以下五类：无约束和约束最优化问题，确定性和随机性最优化问题，线性和非线性最优化问题，静态和动态最优化问题，单目标和多目标最优化问题。

若想解决最优化问题，最终结果就是要求得极值。所以，在以前的传统经典算法中，以梯度为基础的优化算法占据了非常重要的位置。然而，传统优化算法仍然存在着一些无法避免的缺点，由于传统优化算法主要是针对连续凸函数优化问题而提出的，在求解非凸函数问题时一般只能求得局部最优解，此外，传统优化算法也无法用来解决离散优化问题。而且，他们的效率也很依赖于解空间的大小、变量和约束条件的数量等等。同时，这些算法缺乏灵活性，它们对于含有不同类型变量、目标函数和约束函数的模型不能提供通用的解决方案。例如，单纯形算法只能用来解决带有线性目标函数和约束函数的模型，几何规划只能用来解决带有正项式的目标函数的非线性模型等。