● 摘要
传统的优化算法不适宜解决具有高维或者非线性或其他特殊性质的大型问题。群智能算法弥补了传统优化算法的缺陷。在很多困难问题的应用上取得了较好的效果。人工蜂群算法一种是新兴的群智能算法，具有很多的优点，但是存在丢弃解和易陷入局部极值的缺点，对算法的改进具有很大的意义。算法的应用是蜂群算法研究的热点。本文对蜂群算法进行了改进，应用改进的蜂群算法解决了函数优化问题、TSP问题和UCI数据集聚类问题，三种问题都进行了参数分析和结果分析。
本文所做的研究工作如下：
1、对蜂群算法的理论基础做了简单的介绍，介绍了用Markov链的模型证明蜂群算法符合有限齐次Markov链的模型，从而说明了蜂群算法是收敛的。
2、已有的蜂群算法的改进工作往往只针对其中一方面缺陷进行，本文分别改进了算法的初期和末期。在初期引入负反馈机制，改变以往直接淘汰适应度差的蜜源的做法，将适应度差的蜜源变成侦察蜂，适应度越差其搜索步长越长，形成“跳跃式”搜索。这样减小了丢掉最优解的机会，增大了对解空间全空间探索的可能性。在算法的末期引入免疫算法的交叉机制，选取两个较好的蜜源进行交叉操作，从而使得算法容易跳出局部最优值。交叉后形成的新蜜源由于具有优良前辈的信息，从而有较大的可能性是优良的蜜源，又不至于导致算法的不收敛。
3、将改进的算法应用于函数优化问题，并进行了参数分析和结果分析，通过对比分析说明改进的蜂群算法具有良好的性能。
4、将人工蜂群算法应用于旅行商问题，并进行了结果分析，通过与粒子群解决同一问题的结果进行对比分析，表明蜂群算法有较好的性能。
5、将蜂群算法应用于UCI数据集聚类问题，并进行了参数分析和结果分析，通过对比分析说明蜂群算法可以解决聚类问题并且具有良好的效果。