بهينه سازي الگوريتم كلوني زنبورعسل جهت بهينه سازي توابع پيوسته با ابعاد بالا

مساله حل توابع پيوسته با ابعاد بالا يكي از مسئله هاي مورد توجه در ميان محققان در اين حوزه مي باشد. دسته اي از الگوريتم هاي ابرمكاشفه اي كه معمولا براي حل مسائل بهينه سازي مورد استفاده قرار مي گيرند با الهام از طبيعت به صورت تصادفي اما هدفمند و ساده در فضاي جواب مسئله به دنبال يافتن جواب هاي بهينه يا نزديك به بهينه حركت مي كنند. الگوريتم كلوني زنبورها نمونه اي از اين روشها است كه بر رفتار هوشمندانه زنبورهاي عسل و نحوه پيچيده گردآوري عسل بوسيله گروه هاي مختلف زنبور در كندو مي پردازد. در اين مقاله يك راه حل بهينه براي توابع معروف بهينه ساز رياضي بر اساس الگوريتم كلوني زنبورهاي مصنوعي ارائه شده است. در اين الگوريتم از روش خوشه بندي k-mean بمنظور گروه بندي زنبورهايي كه بيرون از كندو بدنبال منابع غذايي مي گردند استفاده شده است. همچنين گروهي كه بهترين منبع غذايي را در خود دارد به عنوان گروه هدف منظور شده است. سپس زنبورهايي كه در ساير گروه ها قرار دارند با يك روال اضافي مهاجرت به سمت گروه هدف مهاجرت مي كنند. هدف اين كار، كاستن از برخي نقايص الگوريتم زنبورهاي مصنوعي مانند همگرايي زودرس، سكون و سرعت همگرايي پايين بوده است. در پايان كارايي الگوريتم ارائه شده با الگوريتم كلوني زنبورهاي مصنوعي و الگوريتم بهينه سازي توده ذرات مبتني بر رتبه و الگوريتم FIPS ، ScatterPSO و CLPSO مقايسه شده است. نتايج آزمايشها نشان مي دهند كه روش ارائه شده داراي كارايي قابل رقابت در بيشتر توابع تست شده است و مي تواند شيوه موثري براي حل مسائل بهينه سازي عملي و پيچيده تر باشد.