多选择背包问题是组合优化中的典型NP难题之一。针对传统蜂群算法存在的收敛速度慢、易陷入局部最优的缺点，提出改进策略。改进的算法通过设置两个自适应变化的种群雄蜂群和雌蜂群，雄蜂群负责与蜂后交叉操作以保持种群的选择压力，雌蜂群负责自适应变异操作以保持种群多样性，蜂后则根据启发式规则主动进化以局部寻优。根据算法实现的核心思想，仿真实验结果表明，提出的改进算法可以有效避免陷入局部最优，同时通过实例也验证了算法的可行性和有效性。

多选择背包问题是组合优化中的NP难题之一，采用一种新的智能优化算法——人工蜂群算法进行求解。该算法通过雇佣蜂、跟随蜂和侦察蜂的局部寻优来实现全局最优。基于算法实现的核心思想，用MATLAB编程实现，对参考文献的算例进行仿真测试。与其他算法进行了比较，获得了满意的结果。这说明了算法在解决该问题上的可行性与有效性，拓展了人工蜂群算法的应用领域。

人工蜂群算法MATLAB代码，利用人工蜂群算法求解函数优化问题；包括采蜜蜂操作、观察蜂操作、侦查蜂操作，智能优化算法

人工蜂殖民算法 对人工蜂群算法的理解和改进人工蜂群算法的思想，以及人工蜂群算法及其改进算法的C / Java / Python实现群算法的思路以及人工蜂群算法及其改进算法的C / Java / Python实现

分别使用两种算法（人工蜂群ABC和蚁群ACS）求解多模式资源约束项目调度问题MRCPSP，matlab编程实现。不同规模的算例多达350个，在EXCEL文件可直接读入。MH=meta-heuristics

基于人工蜂群算法的云计算.pdf

ABC_TSP，人工蜂群算法优化旅行商问题matlab代码，完整无误。 ABC_TSP，人工蜂群算法优化旅行商问题matlab代码，完整无误。

针对准时化顺序供应的混流装配生产线物料补给问题进行数学规划建模,通过决策各次物料补给作业的发车时间和料箱标号使线边物料的库存成本最小.为了解决这一复杂的混合优化问题,给出了问题的性质分析,并将该问题转化为求解最优料箱配送序列的组合优化问题.在此基础上,构建反向动态规划求解算法以获得该问题的最优解,并证明该算法具有指数级别的时间复杂度.为了求解中大规模调度问题,构建了改进蜂群算法,通过在邻域搜索部分融合基于分布估计算法的个体更新机制来强化基本蜂群算法的收敛性能.最后通过仿真实验验证了所提出算法的可行性和有效性.

用改进的人工蜂群算法训练前馈人工神经网络

关于abc算法的论文，嵌入粒子群优化算法的混合人工蜂群算法