Artificial bee colony algorithm: a survey

Bansal, Jagdish Chand; Sharma, Harish; Jadon, Shimpi Singh

doi:10.1504/ijaip.2013.054681

Cited by 141 publications

(53 citation statements)

References 161 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Consequently, the task of the development of a segmentation method, which is free from the main disadvantages of the known methods, is expedient for segmentation of images of on-board systems of remote sensing of the Earth. Let us select the method of artificial bee colony [23][24][25][26][27][28] for further research on segmentation of optical-electronic images of on-board systems of remote sensing of the Earth. Authors of known works [23][24][25][26][27][28] applied the method of artificial bee colony to find global optimums of complex functions (spherical function, Rastrigin function, Schwefel function, and others).…”

Section: Literature Review and Problem Statementmentioning

confidence: 99%

Segmentation of optical-electronic images from on-board systems of remote sensing of the earth by the artificial bee colony method

Рубан

Khudov

Makoveichuk

et al. 2019

EEJET

View full text Add to dashboard Cite

Встановлено, що відомі методи сегментування зображень не можуть бути напряму застосовані до сегменту вання оптикоелектронних зображень бортових систем дистанційного зон дування Землі. Сформульовано мате матична задача сегментування таких зображень. Встановлено, що резуль татом сегментування зображень бор тових систем дистанційного зондуван ня Землі є розділення зображення на штучні об'єкти (об'єкти інтересу) та природні об'єкти (фон). Запропоновано для сегментування зображень вико ристання методу штучної бджолиної колонії. Викладена сутність методу, який передбачає визначення положень агентів, їх міграцію, умов зупинки іте раційного процесу за критерієм міні муму цільової функції та визначен ня оптимального значення порогового рівня. Введена цільова функція, що має фізичний смисл суми дисперсії яскра вості сегментів сегментованого зобра ження. Сформульовано оптимізацій на задача сегментування зображення бортової системи оптикоелектронно го спостереження, яка полягає в мінімі зації цільової функції при певних припу щеннях та обмеженнях. Наведені результати експеримен тального дослідження застосування методу штучної бджолиної колонії до сегментування оптикоелектронного зображення. Експериментальні дослі дження сегментування оптикоелект ронного зображення підтвердили праце здатність методу штучної бджолиної колонії. На сегментованому зображенні для прикладу визначені можливі об'єк ти інтересу, а саме: ємності з нафтою або паливом для літаків, літаки, аеро дромні споруди тощо. Проведена візуальна оцінка якості сегментування. Розраховані помил ки першого та другого роду. Встанов лено, що застосування методу штуч ної бджолиної колонії дозволить під вищити якість обробки оптикоелект ронних зображень. При цьому помил ки сегментування першого та другого роду знижені в середньому на величину від 7 % до 33 %.Ключові слова: дистанційне зон дування Землі, зображення, сегмен тування, метод штучної бджолиної колонії UDC 004.932

show abstract

Section: Literature Review and Problem Statementmentioning

confidence: 99%

Segmentation of optical-electronic images from on-board systems of remote sensing of the earth by the artificial bee colony method

Рубан

Khudov

Makoveichuk

et al. 2019

EEJET

View full text Add to dashboard Cite

show abstract

“…The position of swarm updates in ABC by two contradictory activities: first one is a process of adaptation, which empowers exploring the diverse search space, and the second one is a process of selection, which ensures the exploitation of the earlier experience. Sometimes it is observed that ABC stops moving in the direction of global optimum despite the fact that the population has not congregate to a restricted most advantageous [6]. It can be experiential to facilitate the solution investigation equation of ABC is fine at exploration, however pitiable at exploitation [3].…”

Section: Artificial Bee Colony Algorithmmentioning

confidence: 99%

Artificial Bee Colony Algorithm: A Survey

Sharma¹,

Bhambu²

2016

IJCA

View full text Add to dashboard Cite

Artificial bee colony optimization algorithm is one of the popular swarm intelligence technique anticipated by D. Karaboga in year 2005. Since its inception, this algorithm was modified by a number of researchers and applied in different areas of engineering, science and management to solve very complex problems. This algorithm is very simple to implement and has the least number of control parameters. In the last two decades, a large number of new algorithm based on natural phenomenon like artificial bee colony algorithm are developed and used to find solution of many real world problems. This paper provides a state of the art survey of ABC algorithm and analysis of its performance with different size of population. General TermsAlgorithms

show abstract

“…The purpose of this is to improve the best solution achieved so far by generating a set of 1000 new food sources in its neighbourhood. Many of the recent modifications and applications of the ABC algorithm can be studied in Bansal, Sharma, and Jadon (2013). Therefore, in order to work for the same aim, we proposed a memetic algorithm (escalated convergent ABC, EcABC) composed of ABC and two simple local search approaches: classical unidimensional local search (CULS) based on classical unidimensional search (Gardeux, Chelouah, Siarry, & Glover, 2009) and a local search (LFLS) based on levy flight random walk , activated by a deterministic and randomised criterion, respectively.…”

Section: Introductionmentioning

confidence: 99%

Escalated convergent artificial bee colony

Jadon

Bansal

Tiwari

2015

Journal of Experimental & Theoretical Artificial Intelligen

Self Cite

View full text Add to dashboard Cite

Artificial bee colony (ABC) optimisation algorithm is a recent, fast and easy-to-implement population-based meta heuristic for optimisation. ABC has been proved a rival algorithm with some popular swarm intelligence-based algorithms such as particle swarm optimisation, firefly algorithm and ant colony optimisation. The solution search equation of ABC is influenced by a random quantity which helps its search process in exploration at the cost of exploitation. In order to find a fast convergent behaviour of ABC while exploitation capability is maintained, in this paper basic ABC is modified in two ways. First, to improve exploitation capability, two local search strategies, namely classical unidimensional local search and levy flight random walk-based local search are incorporated with ABC. Furthermore, a new solution search strategy, namely stochastic diffusion scout search is proposed and incorporated into the scout bee phase to provide more chance to abandon solution to improve itself. Efficiency of the proposed algorithm is tested on 20 benchmark test functions of different complexities and characteristics. Results are very promising and they prove it to be a competitive algorithm in the field of swarm intelligence-based algorithms.

show abstract

Artificial bee colony algorithm: a survey

Cited by 141 publications

References 161 publications

Segmentation of optical-electronic images from on-board systems of remote sensing of the earth by the artificial bee colony method

Segmentation of optical-electronic images from on-board systems of remote sensing of the earth by the artificial bee colony method

Artificial Bee Colony Algorithm: A Survey

Escalated convergent artificial bee colony

Contact Info

Product

Resources

About