本文提出了一种新的优化算法，即分级人工蜂群优化算法，称为HABC，以解决射频识别网络规划（RNP）问题。 在提出的多层次模型中，较高层次的物种可以由较低层次的亚种群聚集。 在底层，每个采用规范ABC方法的子种群并行搜索零件尺寸最优值，可以将其构建为高层的完整解决方案。 同时，运用具有交叉和变异算子的综合学习方法来增强物种间的全局搜索能力。 针对一组10个基准优化问题进行了实验。 结果表明，与几种成功的群体智能算法和进化算法相比，拟议的HABC在大多数选定的基准函数上均具有出色的性能。 然后将HABC用于在两个不同规模的实例上解决现实世界中的RNP问题。 仿真结果表明，该算法在优化精度和计算鲁棒性方面优于RNP。

用于优化 Cost-231 Hata 路径损耗模型的软件工具/框架； 使用人工蜂群 (ABC) 算法找到最佳操作参数集（移动设备与基站的距离、基站操作频率和基站天线高度）。

人工蜂群算法(Artificial Bee Colony Algorithm, ABC)是模仿蜜蜂行为提出的一种优化方法，是集群智能思想的一个具体应用，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度。

基于改进人工蜂群算法的多阈值图像分割

摘要-多目标优化方法对于解决实际问题至关重要。 提出了一种用于多目标优化问题的人工蜂群算法。 在该算法中，首先选择具有较少主导解决方案和更大拥挤距离的解决方案进入下一代，以较高的概率并以自我形容步骤搜索其附近，然后将基于对立的策略应用于初始化，以加快对Pareto最优解集的收敛速度，并提高Pareto最优解的分布均匀性目标空间中的解决方案。 多目标测试函数的仿真结果验证了该算法的有效性。

针对约束优化问题，提出一种自适应人工蜂群算法。算法采用反学习初始化方法使初始种群均匀分布于搜索空间。为了平衡搜索过程中可行个体和不可行个体的数量，算法使用自适应选择策略。在跟随蜂阶段，采用最优引导搜索方程来增强算法的开采能力。通过对13个标准测试问题进行实验并与其他算法比较，发现自适应人工蜂群算法具有较强的寻优能力和较好的稳定性。

- 基于人工蜂群算法的TSP（旅行商）问题 - 可以根据要求自己修改城市坐标 - 注释很详细

针对配电网无功补偿优化算法的不足，提出了一种基于人工蜂群算法的配电网无功优化方法。首先建立了无功优化的数学模型，然后提出了一种基于改进人工蜂群算法的无功优化方法。实验结果表明，改进的人工蜂群算法可以有效地优化配电网的无功补偿，它比其他现有算法更高效，更准确。

-初始ABC算法用于WSN覆盖，方便用于改进扩展 -有注释，方便理解 -如果加上一些种群初始化策略、跳出局部最优策略的话，很容易提升覆盖率 -价格实惠

人工蜂群算法综述.docx