1.2.4　蜂群优化算法

蜂群优化算法是流行的生物启发式算法之一。蜜蜂是一种群体活动的昆虫，虽然单个蜜蜂具有极其简单的个体行为，而由多个蜜蜂组成的蜂群会显示出非常复杂的行为。蜂群能够动态地分配任务，具有强大的记忆功能、良好的感觉系统、准确的导航系统。它们个体之间存在着多种信息交流模式，以蜜蜂群体决策的形式对巢穴进行选址，具有明确的分工、协作，能够适应不同的环境，涌现出了很高的智慧形式。蜜蜂种群是研究社会行为学、神经生物学、免疫学、遗传学、智能化科学模式的参照生物。基于蜂群的特性，研究人员模拟蜜蜂的智能行为，建立模型，开发出了很多优秀的优化算法，并且广泛用于解决实际问题。

（1）蜂后进化算法。

蜂后进化算法是Jung通过模拟蜂后的繁殖过程提出的，是对蜂后繁殖行为方式的模拟，该算法通过加强探索和深入采集的过程，改进了遗传算法的优化能力。Lu和Zhou提出了BMGA（based on multi-bee population genetic algorithm，基于多蜂群进化的遗传算法）。Qinetal采用蜂后进化算法解决了具有非线性约束性质的电力分配复杂优化问题。由BMGA产生一个种群，其余种群将随机产生，通过交叉的方式与被选择的个体（雄蜂）进行重组，求得每个种群中的最优解。

（2）蜂房优化算法。

蜂房优化算法（bee hive optimization algorithm）是Walker基于蜜蜂的舞蹈以及通信交流的模拟提出的，该算法建立蜜蜂信息分享与处理的模型，模拟计算机内或网络上的信息流。Wedde等用该算法解决了网络路由问题。

（3）MBO优化算法。

蜜蜂繁殖（marriage in honey-bees，MBO）优化算法是基于蜜蜂的交配繁殖的模拟，由Abbass基于蜜蜂的繁殖提出的。该优化模型用于数据挖掘问题、子优化水库操作、组合优化、水资源分配系统，在这些系统中均取得了良好的效果，并得到了广泛的应用。

（4）基于蜂群觅食行为的优化算法。

由于受到蚁群系统在复杂工程问题上成功应用的启发，Lucic和Teodorovic提出了基于蜂群觅食行为的优化算法，探索了蜜蜂觅食行为，建立了基于蜂群觅食行为的优化模型，开发了一种基于蜂群觅食行为的系统，并应用于解决复杂的组合优化问题。这种优化算法目前被广泛应用于各种工程问题，包括交通与运输问题和旅行商问题。在此基础上，蜂群优化（bee colony optimization，BCO）启发式算法被Teodorovic和Dell提出，Banarjee等将这种算法与粗糙集方法结合，用于解决供应链调度问题。