A new hybridized Artificial Bee Colony (HABC) algorithm is presented. The exploration/exploitation balancing strategy of Simulated Annealing is incorporated into the original ABC algorithm to improve its search efficiency and reduce its computational cost. The algorithm begins with a high exploration rate and minimal exploitation effort and gradually switches to higher exploitation rates as the promising areas of the search space are identified. The proposed algorithm is applied to a number of benchmark problems. Comparison of the results indicates that in most cases the hybridized algorithm outperforms the other two algorithms

چکیده

یک الگوریتم ترکیبی جدید از کلونی زنبور مصنوعی (HABC) ارائه شده است. استراتژی متعادل سازی اکتشاف/استخراج برای تبرید شبیه سازی شده با الگوریتم ABC اصلی ترکیب شده است تا بازدهی جستجو را بهبود بخشیده و هزینه محاسباتی را کم کند. این الگوریتم با یک نسبت اکتشاف بالا و استخراج کمینه شروع شده و به تدریج به نسبت های استخراج بالاتر تغییر حالت می دهد به این خاطر که نواحی احتمالی فضای جستجو، شناسایی می شوند. الگوریتم پیشنهادی برای یک سری از مسائل نمونه، اعمال شده است. مقایسه ای از نتایج نشان می دهد که در بیشتر حالت ها، الگوریتم ترکیبی بر دو الگوریتم دیگر، برتری دارد.

1-مقدمه

 بهینه سازی نقش قابل توجهی را در کاربردهای مختلف ایفا می کند. الگوریتم های بسیاری وجود دارد که توسط نویسندگان مختلف در مقالات به این منظور پیشنهاد شده است. کلونی زنبور عسل مصنوعی، تبرید شبیه سازی شده و الگوریتم ژنتیک از این دسته هستند. هر یک از این الگوریتم ها دارای یک سری مزایا و عیب هستند که استفاده از آنها را در برخی از مسائل مناسب و در برخی دیگر از مسائل، ناکارآمد می کند. با ترکیب این الگوریتم ها با یکدیگر، آنها قادر خواهند بود که نقطه ضعف های یکدیگر را پوشانده و عملکرد بهتری درر مقایسه با استفاده تنها، داشته باشند...