DPABC

An enhanced artificial bee colony algorithm with dual-population framework

本文的贡献如下

1. 为了在不损失种群多样性的情况下，通过合理分配不同搜索区域的检索资源，在不损失种群多样性的情况下提高收敛速度，采用双种群框架（DPF）将种群划分为收敛种群（CP）和多样性种群（DP）。具体来说，CP包括当前优质食物源头位，历史低品质食物源头寸逐渐保存在DP中。
2. 为了向有前途的地区支付更多的搜索资源，受雇的蜜蜂只在属于 CP 的食物来源位置周围搜索，而旁观者蜜蜂则从 DP 和 CP 的结合中选择食物来源位置以寻找提供良好的多样性。此外，DPF可以有效地消除局部最优区域。

原版ABC

蜂群有三种蜜蜂组成：

（a）employed bees(雇佣蜂):
（b）onlooker bees(旁观者蜜蜂):
（c）scout bees(侦察蜂):
蜂群的前半部分由受雇的蜜蜂组成，另一半由旁观者蜜蜂组成。受雇的蜜蜂负责在自己的食物来源附近寻找更好的食物来源，并将食物来源的质量信息传递给旁观者的蜜蜂。旁观者蜜蜂选择受雇蜜蜂发现的良好食物来源，以进一步寻找更好的食物来源。
当食物来源的质量没有通过预定的周期（限制）得到改善时，食物来源被其雇用的蜜蜂放弃，然后雇用的蜜蜂成为侦察蜂，在蜂巢附近随机再生新的食物来源。

1. 这段话翻译过来就是： 雇佣蜂代表当前所找到的优质解，然后旁观者蜂表示分布在这些优质解附近的解以便开发优质解附近区域寻找更优质的解。
2. 当在一定的时间内我们所找到的解没有更好，我们会在当前的优质解附近（也就是所谓的雇佣蜂变成侦察蜂）随机生成新的解。

四个基础阶段

1. initialization phase：初始化阶段随机生成SN个解得到种群P；

   解的结构如下：\(X^0_i = (x^0_{i,1},x^0_{i,2},...,x^0_{i,D},)\)，0表示当前迭代次数，i表示个体在所处种群的编号，D表示问题的维度。
   个体的生成公式如下：
   

2. employed bee phase, onlooker bee phase and scout bee phase 去探索决策变量空间直到满足终止条件。

雇佣蜜蜂阶段和旁观者蜜蜂阶段，从旧的解中寻找候选食物来源位置 Vi，原始 ABC 使用以下搜索方程

k!=i; j 是从{1，2，...,D}随机选取； \(\psi_j\) [-1,1]的随机值。 通过这个公式发现每次只能改变一个维度，这就会使得收敛性能很慢。

在旁观者蜜蜂阶段，旁观者蜜蜂根据选择概率p选择食物源位置进行搜索，计算公式为：

其中 \(fit(X_i)\) 是第 i 个食物源位置的适应度值。从理论上讲，适应度值越大，选择概率就越大。通过这种方式，受雇的蜜蜂可以与旁观者的蜜蜂分享他们的信息。然而，由于食物来源位置的适应度值之间的差异总是不显着，因此有希望的地区无法吸引足够的蜜蜂进行搜索。

流程图

意思就是说解的性能差异太小，使得优质解附近的空间无法的到足够多的的计算资源进行探索。

所提出的DPABC

一般来说，高质量的食物来源位置（好的解决方案）位于有希望的区域，其中可能包括其他更好的食物来源位置[18]。为了快速找到更好的食物来源位置，应该为优质食物来源位置所在的有前途的地区分配更多的搜索资源进行开发。为了具体化这个想法，我们提出了ABC的双种群框架（DPF）。

改进思路：
1. 将种群分成CP（收敛性）DP（多样性）两个种群，P = CP ∪ DP；雇佣蜂阶段只会在CP的种群的个体内进行探索，这样可以充分利用优质解找的更好的解。
2. 旁观者蜂随机从解的候选池中选取解进行搜索。（虽然优质的食物源位置很容易被围观的蜜蜂选中，但低质量的食物源位置也有机会被选中。）但是DP种群的个体可以让搜索避免陷入局部最优。
3. 在每一代迭代结束CP的不良食物来源位置可能会从CP中删除并添加到DP中。（对于属于CP的每个食物源位置，如果其目标函数值大于参数m（m > 1）与CP的平均目标函数值f的乘积，则从CP中删除相应的食物源位置并添加到DP中。）

算法分析