人造蜜蜂群体——与粒子群算法的区别
人工蜂群算法与粒子群算法的区别
ABC的直觉和代码实现，以及探索它在哪些方面超越粒子群优化
我在最近的一篇文章中分享了粒子群优化（PSO）的直觉、实现和用处，作为我一系列自然启发算法的一部分。今天，我将解释人工蜜蜂群体算法（ABC）的工作原理。
蜜蜂不是属于群体吗？这两种算法只是同一枚硬币的两面吗？
对于这篇文章，我将直接介绍ABC的直觉。接下来，我将提供数学知识，然后在Python中进行实现。最后，我将制定一个问题，PSO无法解决，但ABC轻松实现，并解释ABC的哪些方面使其成为可能。
直觉
与强化学习和进化算法类似，在ABC背后的基本驱动因素是探索与开发之间的平衡。
对于新接触群集智能算法的人来说，可能会因其与生物学的联系而感到吓到，并且认为需要通过一些复杂的数学建模来模拟在自然界中究竟发生了什么。因为变量通常在教科书中以希腊字母表示，这增加了对复杂性的错误看法。
至少对于ABC来说，情况绝对不是这样的。你根本不需要了解蜜蜂的摇摆舞。在这个算法中，也没有超过高中数学的内容。
基本上，就是在有希望的位置进行局部定向搜索，仅在目标函数改进时保存结果，同时在长时间没有进展时进行全局随机搜索。
然后，该算法的创造者将其包装上花哨的名字，并将其与被雇用蜜蜂、旁观蜜蜂和侦查蜜蜂相关联。
解决方案的制定
和PSO一样，ABC是一种元启发式算法吗？
你可能会问，什么是“元启发式”？
