Algoritmo de colonia de abejas

La versión actual de la página aún no ha sido revisada por colaboradores experimentados y puede diferir significativamente de la versión revisada el 3 de octubre de 2017; las comprobaciones requieren 4 ediciones .

El algoritmo de colonia de abejas ( optimización de colonias de abejas artificiales, ABC ) es uno de los algoritmos heurísticos polinómicos para resolver problemas de optimización en informática e investigación de operaciones . Pertenece a la categoría de algoritmos biónicos estocásticos , basados en simular el comportamiento de una colonia de abejas melíferas al recolectar néctar en la naturaleza. Propuesto por D. Karaboga en 2005 [1] .

Estrategia de recolección de néctar de las abejas melíferas en la naturaleza

El objetivo principal del trabajo de una colonia de abejas en la naturaleza es explorar el espacio alrededor de la colmena para buscar néctar y luego recolectarlo. Para ello, hay varios tipos de abejas en la colonia: abejas exploradoras y abejas obreras-recolectoras (además de ellas, hay zánganos y una reina en la colonia que no participan en el proceso de recolección del néctar). Los exploradores están realizando un estudio del espacio que rodea la colmena y brindan información sobre lugares prometedores en los que se encontró la mayor cantidad de néctar (hay un mecanismo especial para intercambiar información en la colmena, llamado danza de abejas ).

Estrategia de optimización de la función objetivo

El algoritmo de colonia de abejas se puede utilizar para resolver problemas de optimización global discretos ( combinatorios ) y continuos [ 2 ] [ 3 ] y tiene un grado suficiente de similitud con los algoritmos de inicio múltiple . Suele incluir la exploración inicial y el trabajo posterior de las abejas de la colmena. Durante la inicialización (reconocimiento inicial), se realiza un reconocimiento del espacio de características para determinar sus puntos más prometedores con los mejores valores de la función objetivo (en el caso más simple, utilizando el método de enumeración aleatoria que se almacenan en la colmena Posteriormente, se realiza un reconocimiento local en las inmediaciones de los puntos seleccionados dentro de un radio de reconocimiento dado para intentar afinar la solución (mejorar el registro), mientras que cuando se logra la mejora en la colmena, se actualiza el valor del registro. y el correspondiente vector de parámetros de la función objetivo . Al combinar el trabajo de las abejas exploradoras y las abejas obreras en un número determinado de iteraciones , el algoritmo proporciona una mejora gradual en la muestra de soluciones memorizada. Al completar su trabajo, se selecciona la mejor del conjunto especificado de soluciones, que es el resultado del algoritmo. $k$ $f(X)=f(x_{1},x_{2},...,x_{n})$ $R$ ${\ estilo de visualización f ^ {*}}$ ${\ estilo de visualización X ^ {*}}$ $C$ ${\mathfrak{R}}=[X_{1},X_{2},...,X_{K}]$ $k$

Véase también

Notas

↑ D. Dervis Karaboga, An Idea Based On Honey Bee Swarm for Numerical Optimization, Technical Report-TR06, Universidad de Erciyes, Facultad de Ingeniería, Departamento de Ingeniería Informática 2005.
↑ Pham, DT, Castellani, M. (2009), The Bees Algorithm - Modeling Foraging Behavior to Solve Continuous Optimization Problems Archivado el 9 de noviembre de 2016 en Wayback Machine . proc. ImechE, Parte C, 223(12), 2919-2938.
↑ Pham, DT y Castellani, M. (2013), Benchmarking and Comparison of Nature-Inspired Population-Based Continuous Optimization Algorithms Archivado el 26 de octubre de 2017 en Wayback Machine , Soft Computing, 1-33.

Métodos de optimización
unidimensional	método de la sección áurea Dicotomía método de parábola búsqueda de cuadrícula Método de búsqueda de bloque uniforme método fibonacci búsqueda ternaria método Piyavsky Método Strongin
orden cero	método de Gauss Método Nelder-Mead Método Hook-Jeeves método de Rosenbrock metodo powell
Primer orden	descenso de gradiente método Zeutendijk Descenso coordinado método de gradiente conjugado Métodos Cuasi-Newtonianos Algoritmo de Levenberg-Marquardt
segundo orden	método de newton Método de Newton-Raphson Algoritmo de Broyden-Fletcher-Goldfarb-Shanno (BFGS)
estocástico	Método de Montecarlo recocido simulado Algoritmos evolutivos evolución diferencial Algoritmo de hormiga método de enjambre de partículas Algoritmo de colonia de abejas Método de paseo aleatorio
Métodos de programación lineal	método símplex algoritmo de gomori método elipsoide método potencial
Métodos de programación no lineal	Programación cuadrática secuencial