مدلی بهبودیافته از الگوریتم کلونی زنبور عسل مصنوعی مبتنی بر تکنیک خوشه بندی -kمیانگین

با توجه به کاربردهای الگوریتم های تکاملی از جمله الگوریتم کلونی زنبورعسل مصنوعی (ABC) در حوزه های مختلف علوم مهندسی، تلاش برای بهبود عملکرد این دسته از الگوریتم ها همواره مورد توجه بوده است. الگوریتم ABC بر اساس رفتار کاوشی جمعیتی از زنبورها برای یافتن منابع غذایی بنا نهاده شده و کارایی آن در حل بسیاری از مسایل بهینه سازی اثبات شده است. این الگوریتم در اکتشاف به خوبی عمل کرده اما از نظر بهره برداری نامطلوب بوده و از سرعت پایین همگرایی رنج میبرد. به منظور بهبود عملکرد الگوریتم مذکور، در این تحقیق از یک تکنیک داده کاوی به نام k- میانگین جهت بهره برداری موثرتر از اطلاعات نهفته در جمعیت جواب ها استفاده می شود. بعبارت دقیق تر، از تکنیک k- میانگین در فاز زنبور دیدهبان جهت تولید جواب های کاندید جدید استفاده شده و سپس جواب های جدید با رویکردی نخبه گرا به جمعیت اضافه می شوند. عملکرد الگوریتم پیشنهادی را که CABC می نامیم بر روی شش تابع محک شناخته شده مورد ارزیابی قرار داده ایم و نتایج بدست آمده از آن را با نتایج الگوریتم ABC استاندارد و سه نسخه بهبود یافته آن مقایسه کرده ایم. نتایج حاکی از آن است که الگوریتم پیشنهادی از سرعت همگرایی مناسب تری برخوردار بوده و در یافتن جواب بهینه تواناتر عمل کرده است