artificial bee colony algorithm

artificial bee colony algorithm (tsz. artificial bee colony algorithms)

1. (informatika)

A Artificial Bee Colony (ABC) algoritmus egy bioinspirált metaheurisztikus optimalizálási módszer, amelyet Karaboga (2005) vezetett be. Az algoritmus a méhkolónia kollektív viselkedését utánozza, különösen a nektárforrások (megoldások) keresését. Kiválóan alkalmazható folytonos és kombinatorikus optimalizálási problémák megoldására.

A valódi méhek három csoportra oszthatók:

• Munkás méhek (employed bees): meglévő forrást (megoldást) vizsgálnak
• Kóborló méhek (onlooker bees): értékelés alapján választanak meglévő források közül
• Felderítő méhek (scout bees): új forrásokat keresnek véletlenszerűen

Az algoritmus ezen viselkedésminták sztochasztikus modellezésén alapul.

Olyan folytonos vagy diszkrét keresési térben találni egy megoldást ${\textstyle x}$, amely minimalizálja vagy maximalizálja az adott célfüggvényt ${\textstyle f(x)}$.

• Minden munkás méh egy meglévő megoldás (élelmiszerforrás) alapján újat próbál létrehozni:

$${\displaystyle v_{ij}=x_{ij}+\phi _{ij}(x_{ij}-x_{kj})}$$

ahol:

• ${\textstyle x_{ij}}$: jelenlegi megoldás
• ${\textstyle x_{kj}}$: véletlenszerűen választott másik megoldás
• ${\textstyle \phi _{ij}\in }$: véletlen szám

Ha ${\textstyle f(v)}$ jobb, mint ${\textstyle f(x)}$, akkor a méh lecseréli a megoldást.

• Minden onlooker méh valószínűség alapján választ egy meglévő megoldást:

$${\displaystyle p_{i}={\frac {fit_{i}}{\sum fit_{k}}}}$$

Ezután a választott megoldásból szintén új javaslatot generál az előzőhöz hasonlóan.

• Ha egy megoldást túl sokszor próbáltak javítani sikertelenül, akkor elhagyják → új véletlen megoldást generálnak (feltárás új területen)

Inicializáld a kolóniát (N megoldás)
ismétlés, amíg konvergencia:
    - Dolgozó méhek javítanak meglévő megoldásokat
    - Kóborló méhek választanak a javítottak közül és próbálnak újakat
    - Felderítő méhek véletlenszerűen keresnek új megoldást, ha kell
    - Frissítsd a legjobb megoldást

import numpy as np

def objective(x):
    return sum(x**2)

def artificial_bee_colony(obj_fn, dim=2, n_bees=20, max_iter=100, limit=50, lb=-10, ub=10):
    food_sources = np.random.uniform(lb, ub, (n_bees, dim))
    fitness = np.array()
    trial = np.zeros(n_bees)
    best = food_sources

    for _ in range(max_iter):
        # Employed bees
        for i in range(n_bees):
            k = np.random.choice()
            phi = np.random.uniform(-1, 1, dim)
            v = food_sources + phi * (food_sources - food_sources)
            v = np.clip(v, lb, ub)
            f_v = obj_fn(v)
            if f_v < fitness:
                food_sources = v
                fitness = f_v
                trial = 0
            else:
                trial += 1

        # Onlooker bees
        prob = 1 - fitness / fitness.sum()
        for _ in range(n_bees):
            i = np.random.choice(n_bees, p=prob / prob.sum())
            k = np.random.choice()
            phi = np.random.uniform(-1, 1, dim)
            v = food_sources + phi * (food_sources - food_sources)
            v = np.clip(v, lb, ub)
            f_v = obj_fn(v)
            if f_v < fitness:
                food_sources = v
                fitness = f_v
                trial = 0
            else:
                trial += 1

        # Scout bees
        for i in range(n_bees):
            if trial > limit:
                food_sources = np.random.uniform(lb, ub, dim)
                fitness = obj_fn(food_sources)
                trial = 0

        best = food_sources

    return best, obj_fn(best)

• artificial bee colony algorithm - Szótár.net (en-hu)
• artificial bee colony algorithm - Sztaki (en-hu)
• artificial bee colony algorithm - Merriam–Webster
• artificial bee colony algorithm - Cambridge
• artificial bee colony algorithm - WordNet
• artificial bee colony algorithm - Яндекс (en-ru)
• artificial bee colony algorithm - Google (en-hu)
• artificial bee colony algorithm - Wikidata
• artificial bee colony algorithm - Wikipédia (angol)