Python实现人工蜂群算法的完整指南

沈知远

发布时间：2026-10-12 | 4人浏览过

原创

本文详细介绍人工蜂群算法（ABC）的原理及Python实现。涵盖雇佣蜂、跟随蜂和侦察蜂三种角色的数学建模，提供蜜源初始化、位置更新及侦察机制的代码实现。通过高维测试函数验证算法有效性，展示参数优化过程与结果分析，适合对智能优化算法感兴趣的开发者参考。

算法简介

人工蜂群算法（Artificial Bee Colony Algorithm，简称ABC）是由Karaboga等人提出的一种基于群体智能的优化算法。

该算法模拟了真实蜜蜂群体的觅食行为，主要包含三种类型的蜜蜂：雇佣蜂（Employed Bee）、跟随蜂（Onlooker Bee）和侦察蜂（Scout Bee）。尽管它们的目标都是寻找蜜源，但各自的行为模式存在显著差异。

雇佣蜂负责与特定的蜜源建立一对一的对应关系。这意味着蜜源的数量直接决定了雇佣蜂的数量，每只雇佣蜂都对应一个已发现的蜜源位置。
跟随蜂并不直接探索新的蜜源，而是依赖雇佣蜂分享的情报进行决策。雇佣蜂会向跟随蜂传递关于当前蜜源质量的信息，跟随蜂根据这些信息结合自身判断，决定前往哪个蜜源进行采集。
侦察蜂则处于无固定蜜源的状态，其行为类似于无头苍蝇，通过随机搜索来发现新的潜在优质蜜源。这种机制有助于算法跳出局部最优解，增强全局搜索能力。

为了将上述行为逻辑转化为数学模型，首先需要初始化蜜源。在数学表达中，蜜源与雇佣蜂是等价的：蜜源的位置即雇佣蜂的位置，蜜源的数量等于雇佣蜂的数量。蜜蜂在解空间中的位置向量代表了待优化的参数。

初始化的方法是在解空间的允许范围内生成随机数，从而确定初始蜜源的位置。

设向量 x⃗_i 表示第 i 只蜜蜂对应的解，其中 x_ij 代表该蜜蜂在第 j 维上的参数值。N 表示蜜源的总数，这也等同于雇佣蜂的数量以及参与竞争的解的数量。

雇佣蜂更新其位置（即优化解）的方法如下所示：

公式中，j 和 k 为随机选取的不同整数（k≠j），r_ij 为区间 (-1, 1) 内的随机数。该公式通过当前解与另一个随机解的差值及随机因子来生成新解。

假设跟随蜂的数量为 Ns，跟随蜂选择第 i 个蜜源的概率由以下公式计算：

如果某个蜜源经过多次迭代仍未得到改善，其对应的雇佣蜂将转变为侦察蜂。此时，该蜜蜂的位置将通过随机搜索重新初始化，公式如下：

蜂群的Python实现

在Python实现中，首先需要将蜜源抽象为一组解。由于算法过程中可能会抛弃某些长期未产生更优解的蜜源，因此在表示蜜源时，除了存储当前最优解外，还需要一个参数记录该解未更新的次数。

因此，可以使用一个二元组 [xs, n] 来表示单个蜜源解，其中 xs 代表当前的最优解向量，n 表示该解连续未更新的迭代次数。

生成初始蜜源的方法如下：

import numpy as np
uniform = np.random.uniform
srcs = [[uniform(xL, xR), 0] for _ in range(nSrc)]

公式中，xL 和 xR 分别表示蜜源位置的下界和上界，nSrc 表示蜜源的总数量，这也对应着雇佣蜂的数量。

接下来分别实现三种蜜蜂的更新逻辑，首先从雇佣蜂开始。

def genX(srcs, index):
    xs = srcs[index][0]
    diff = np.delete(np.arange(len(srcs)), index)
    index = rand.choice(diff)
    xTest = srcs[index][0]
    d = randint(0, len(xs) - 1)     # 更改的数据维度
    r = uniform(-1, 1)              # 随机因子
    xNew = np.copy(xs)
    xNew[d] = xs[d] + r * (xs[d] - xTest[d])
    return xNew
def leadStep(srcs, func, i):
    food = srcs[i]
    xNew = genX(srcs, i)
    if func(xNew) < func(food[0]):
        srcs[i] = [xNew, 0]
    else:
        food[1] += 1

其中，func 为目标优化函数，srcs 为所有蜜源的集合。genX 函数实现了新解生成的逻辑，具体见下方代码。

随后实现跟随蜂的逻辑。其操作与雇佣蜂高度相似，主要区别在于信息交换时不需要排除自身，因为所有蜜源的信息都存储在雇佣蜂管理的列表中。

def followStep(srcs, func):
    indRange = range(len(srcs))
    fs = [func(food[0]) for food in srcs]
    ps = np.array(fs)/np.sum(fs)
    index = rand.choices(indRange, ps)[0]
    food = srcs[index]
    xNew = genX(srcs, index)
    if func(xNew) < func(food[0]):
        srcs[index] = [xNew, 0]
    else:
        food[1] += 1

最后是侦察蜂的实现，其逻辑相对简单，主要涉及重置位置的操作。

def spyStep(srcs, maxTrial, xL, xR, i):
    if srcs[i][1] > maxTrial:
        srcs[i] = [uniform(xL, xR), 0]

最后，编写ABC算法的主流程代码，至此人工蜂群算法的Python实现即告完成。

def ABC(func, nIter, xL, xR, 
    nPop, perEm=0.5, maxTrial=50):
    nSrc = round(nPop * perEm)  # 雇佣/跟随蜂数
    nSpy = nPop - nSrc          # 侦察蜂数
    xL, xR = np.array(xL), np.array(xR)
    srcs = [[uniform(xL, xR), 0] for _ in range(nSrc)]
    for _ in range(nIter):
        for i in range(nSrc):
            leadStep(srcs, func, i)
            spyStep(srcs, maxTrial, xL, xR, i)
        for i in range(nSpy):
            followStep(srcs, func)
    best = np.argmax([func(food[0]) for food in srcs])
    xs = srcs[best][0]
    msg = "当前参数：" + ",".join([f"{x:.5f}" for x in xs])
    msg += f"\n 最佳值{test(xs)}"
    print(msg)
    return srcs[best][0]

测试

接下来进行算法测试，使用的测试函数是由多个三角函数组合而成的高维复杂函数，旨在验证算法在复杂地形下的寻优能力。

def test(xs):
    _sum = 0.0
    for i in range(len(xs)):
        _sum = _sum + np.cos((xs[i]*i)/5)*(i+1)
    return _sum
def main():
    xL=np.full(5,-20)
    xR=np.full(5,20)
    ABC(test, 49, xL, xR, 30)
if __name__ == '__main__':
    main()

测试运行结果如下：