利用神经知识迁移的学习辅助人工蜂群用于全局优化

为难题打造更聪明的数字蜂群

当今许多最棘手的挑战——从调整太阳能电池板到规划配送路线——归结为在庞大的可能空间中搜索最佳答案。受蜜蜂或鸟群探索行为启发的群体算法广泛用于此类搜索。但传统的群体算法大多依赖偶然性而非记忆。本文提出了一种方法，使一种流行的基于蜂群的算法真正能从经验中“学习”，将其从机巧的猜测器转变为以数据驱动的问题求解器。

从盲目徘徊到有导向的探索

可将传统搜索方法想象为徒步者在朦胧的山脉中摸索，寄希望于找到最高峰。基本的“随机搜索”四处走动，改进极为缓慢。更先进的进化算法，包括人工蜂群（ABC）方法，采用受自然选择和觅食行为启发的规则：一些虚拟蜜蜂探索新区域，另一些开发优良地点，而不佳位置则被放弃。然而，即便这些方法也在很大程度上忽略了哪些策略在过去奏效这一丰富历史。每一步的新选择很少考虑以往成功的细节模式，这可能导致进展缓慢或陷入中等高度的丘陵而错过真正的峰顶。

教会蜜蜂记忆与预测

作者提出了学习辅助人工蜂群（LA-ABC），用一个简单的人工神经网络——一种数学上的“头脑”——升级了标准蜂群算法。随着数字蜜蜂的搜索，算法会记录“成功移动”：每当一个新候选解明显优于旧解时，就将这对样本存入一个滚动存档。这些示例构成了一个经验库，捕捉了优秀解如何演化的规律。神经网络在运行过程中在线训练，学习从“之前”到“之后”的映射：给定一个有希望的解，它预测如何将其稍微调整以变得更好。

两条路径：偶然性与学习引导

一旦该学习引擎就位，LA-ABC 在两种交替模式下运行。一种模式下，蜜蜂像原始 ABC 那样行动，使用类似随机的规则以保持探索并避免过度自信。另一种模式下，算法调用其学得的模型。对于被选中的蜜蜂，神经网络建议一个改进的位置，并加入轻微的随机性，以防止蜂群变得僵化或对早期数据过拟合。有一个控制旋钮决定学习引导路径被使用的频率，在广泛搜索与集中改进之间取得平衡。这一设计使蜂群能从积累的知识中受益，同时仍能探查新的未探空间。

将学得的蜂群付诸测试

为检验学习是否确有帮助，作者在数十个已知具有挑战性的数学测试基准上对 LA-ABC 进行了基准测试：平滑与崎岖的地形、单峰与多峰场景以及复杂混合状况。他们将其与十余种领先算法比较，包括改进的差分进化、粒子群优化以及其他基于知识或强化学习的群体方法。在大多数测试中，LA-ABC 更快且更稳定地达到更优解，这一点由多次统计检验所证实。随后，作者将该方法应用于一个工程实际问题：估计光伏（太阳能）模型中隐藏的电气参数。在此情形下，LA-ABC 恢复出的参数值不仅符合物理预期——如现实的电阻和二极管行为——而且能以特别低的误差重现真实测量数据。

这对现实技术为何重要

该研究表明，为群体算法加入适度的学习组件可以显著增强其搜索能力，而不会使其变得难以驾驭。LA-ABC 保留了使原始蜂群算法受欢迎的简洁性与灵活性，同时增加了对过去成功经验的记忆，从而温和地引导未来决策。对非专家而言，可得出的结论是：许多在工程、能源、物流乃至机器学习背后使用的优化工具，可以通过嵌入小而集中的学习模块变得更高效。数字蜂群不再无休止地猜测，而开始表现得更像经验丰富的探险者——记住他们走过的路并利用这些经验攀登更优的解。

引用: Saini, G., Jadon, S.S. & Chaube, S. Learning-aided Artificial Bee Colony with neural knowledge transfer for global optimization. Sci Rep 16, 7019 (2026). https://doi.org/10.1038/s41598-026-38028-2

关键词: 群体智能, 人工蜂群, 神经网络, 优化, 太阳能