阶段一：群体智能 蜂群智能
人工蜂群算法（Artificial Bee Colony, ABC）由 Karaboga 于 2005 年提出，模拟了蜜蜂群体的采蜜行为。蜜蜂群体中有三种角色：
其中 φ_ij ∈ [-1,1] 是随机数，k 是随机选择的另一个食物源索引。
| 特征 | ABC | PSO | ACO |
|---|---|---|---|
| 搜索空间 | 连续 | 连续 | 离散/连续 |
| 信息共享 | 舞蹈+概率选择 | 全局最优广播 | 信息素间接通信 |
| 探索机制 | 侦察蜂随机搜索 | 惯性+随机扰动 | 信息素挥发 |
| 开发机制 | 邻域搜索 | 向pbest/gbest靠拢 | 信息素正反馈 |
| 参数数量 | 少(limit, SN) | 中(w,c1,c2) | 多(α,β,ρ,Q,m) |
import random, math
random.seed(42)
# 人工蜂群(ABC)求解Sphere+Griewangk混合函数
def objective(x):
return sum(xi**2 for xi in x) + sum(xi**2/4000 for xi in x) - math.prod(math.cos(xi/math.sqrt(i+1)) for i,xi in enumerate(x)) + 1 + len(x)
dim = 5
n_food = 20
limit = 50 # 放弃阈值
bounds = (-10, 10)
foods = [[random.uniform(*bounds) for _ in range(dim)] for _ in range(n_food)]
fitness = [1/(1+objective(f)) if objective(f)>=0 else 1+abs(objective(f)) for f in foods]
trials = [0]*n_food
best_x = min(foods, key=objective)[:]
best_f = objective(best_x)
for it in range(100):
# 雇佣蜂阶段
for i in range(n_food):
j = random.randint(0, dim-1)
k = random.randint(0, n_food-1)
while k == i: k = random.randint(0, n_food-1)
new_x = foods[i][:]
new_x[j] = foods[i][j] + random.uniform(-1,1)*(foods[i][j]-foods[k][j])
new_x[j] = max(bounds[0], min(bounds[1], new_x[j]))
new_f = objective(new_x)
if new_f < objective(foods[i]):
foods[i] = new_x; fitness[i] = 1/(1+new_f); trials[i] = 0
else:
trials[i] += 1
if new_f < best_f:
best_f = new_f; best_x = new_x[:]
# 观察蜂阶段
prob = [f/sum(fitness) for f in fitness]
for _ in range(n_food):
r = random.random(); cum = 0; sel = 0
for idx, p in enumerate(prob):
cum += p
if cum >= r: sel = idx; break
j = random.randint(0, dim-1)
k = random.randint(0, n_food-1)
while k == sel: k = random.randint(0, n_food-1)
new_x = foods[sel][:]
new_x[j] = foods[sel][j] + random.uniform(-1,1)*(foods[sel][j]-foods[k][j])
new_x[j] = max(bounds[0], min(bounds[1], new_x[j]))
new_f = objective(new_x)
if new_f < objective(foods[sel]):
foods[sel] = new_x; fitness[sel] = 1/(1+new_f); trials[sel] = 0
else:
trials[sel] += 1
if new_f < best_f:
best_f = new_f; best_x = new_x[:]
# 侦察蜂阶段
for i in range(n_food):
if trials[i] > limit:
foods[i] = [random.uniform(*bounds) for _ in range(dim)]
fitness[i] = 1/(1+objective(foods[i]))
trials[i] = 0
if it % 20 == 0:
print(f"迭代 {it:3d}: 最优值 = {best_f:.6f}")
print(f"\\n最终最优值: {best_f:.6f}")
print(f"最优位置: [{', '.join(f'{x:.4f}' for x in best_x)}]")
print("✅ 验证通过：人工蜂群算法成功收敛")迭代 0: 最优值 = 94.726315 迭代 20: 最优值 = 5.013424 迭代 40: 最优值 = 5.000107 迭代 60: 最优值 = 5.000003 迭代 80: 最优值 = 5.000000 最终最优值: 5.000000 ✅ 验证通过：人工蜂群算法成功收敛
侦察蜂机制是ABC区别于其他算法的关键特征。当某个食物源连续 limit 次迭代未被改进时，说明该区域已被充分开采，应当放弃探索新的区域。这有效防止了算法陷入局部最优。
limit 值的选择：一般取 SN×D（食物源数×维度），太小会导致搜索不充分，太大会延迟逃离局部最优。
本课蜂群算法的计算复杂度是实际应用中的关键考量因素。在群体规模为N、迭代次数为T的情况下：
对于大规模问题，可以采用以下策略降低复杂度：
蜂群算法与其他相关方法的对比分析：
| 算法 | 优势 | 劣势 | 适用场景 |
|---|---|---|---|
| 本课方法 | 分布式、鲁棒、可扩展 | 近似解、参数敏感 | 大规模动态环境 |
| 集中式方法 | 全局最优、确定性强 | 单点故障、不可扩展 | 小规模静态问题 |
| 分层方法 | 兼顾全局和局部 | 层次设计复杂 | 中等规模问题 |
| 混合方法 | 综合各方法优点 | 实现复杂度高 | 高要求场景 |
蜂群算法领域的当前热点研究方向包括：
ABC算法的搜索行为可以分为三个阶段，每个阶段对应不同的搜索策略：
ABC的独特优势在于侦察蜂机制提供了"安全阀"——当某个食物源被过度开采时，侦察蜂自动放弃并随机搜索新区域，这有效防止了早熟收敛。实验表明，ABC在多峰函数上的表现通常优于PSO和DE。
初始化阶段：所有智能体/粒子的初始位置和速度随机生成。随机初始化保证了多次运行的统计意义，但单次运行的结果可能因随机种子不同而变化。
主循环结构：每个时间步包含三个阶段——感知（获取邻居和环境信息）、决策（根据规则计算控制量）、执行（更新位置和速度）。这种"感知-决策-执行"循环是所有群体机器人算法的基本框架。
参数调优建议：先用默认参数运行一次观察基本行为，然后逐个调整关键参数。每次只改一个参数，记录变化效果。重点关注：收敛速度、稳态误差和鲁棒性。
常见问题：
群体机器人课程 © 2026 | 第4课/共25课