文章 "种群优化算法：人工蜂群（ABC）"
昆虫研究员卡尔-弗里施 "的正确名字是卡尔-冯-弗里施：https://en.wikipedia.org/wiki/Karl_von_Frisch，俄文 分别是 "Karlvon Frisch "和 "Karlvon Frisch"。
这些关于元启发式优化技术的 文章太棒了！安德烈，你的工作非常出色，你能与我们分享这么多经验，真是令人难以置信，谢谢你！
@METAQUOTES 请考虑在优化器中实现这些元启发式优化目标！
用户可以在 OnTester() 中轻松设置：
OptimizerSetEngine("ACO"); // 蚂蚁群优化 OptimizerSetEngine("COA")); // cuckoo 优化算法 OptimizerSetEngine("ABC")); // 人工蜂群 OptimizerSetEngine("GWO")); // 灰狼优化器 OptimizerSetEngine("PSO")); // 粒子群优化
来自巴西的谢意
新文章 种群优化算法：人工蜂群（ABC）已发布：
在本文中，我们将研究人工蜂群的算法，并用研究函数空间得到的新原理来补充我们的知识库。 在本文中，我将陈列我对经典算法版本的解释。
该算法的思路是基于蜂群在寻找尽可能多的获取花蜜的地方时的行为。 首先，所有的蜜蜂都朝随机的方向飞出蜂巢，充当侦察员，试图寻找有花蜜的区域。 之后，蜜蜂返回蜂巢，并以特殊的方式告诉其它个体在哪里找到了花蜜、以及发现了多少花蜜。
工蜂被发配到发现的区域。 在这个地区发现的花蜜越多，向那个方向飞的蜜蜂就越多。 侦察兵再次飞去寻找其它区域，但均在已发现区域的附近。 因此，所有的蜜蜂被分为两种：采集花蜜的工蜂，和探索新区域的侦察蜂。 花蜜采集区域具有的量值，与其花蜜量相对应。 沿穿过区域中心的线，较低等级的区域由相对于较高等级的区域进行置换。
由图示，工蜂按区域分布可以在图例 1 中可视化。
图例 1. 取决于区域排名，前往该区域的蜜蜂数量
作者：Andrey Dik