DOI: https://doi.org/10.1038/s41598-026-37792-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41680394
تاريخ النشر: 2026-02-13
المؤلف: Meiqing An وآخرون
الموضوع الرئيسي: تحديد مواقع المنشآت وإدارة الطوارئ
نظرة عامة
تقدم البحث خوارزمية مستعمرة النحل الاصطناعية المستمرة (cABC) المصممة خصيصًا لمعالجة مشاكل تحديد مواقع المنشآت غير المحدودة (UFLP)، وهي تحدٍ تكافح معه خوارزميات ABC التقليدية بسبب عدم قدرتها على التعامل مباشرة مع التحسين المتقطع دون تحولات معقدة. تستخدم cABC تقنية تهيئة فوضوية لتوليد مجموعة أولية متنوعة ضمن نطاق [0,1)، مما يسهل تطورها في الفضاء المستمر. ثم يتم استخدام آلية تمييز احتمالية لتحويل الحلول المستمرة إلى متجهات ثنائية مناسبة لـ UFLP.
لتحسين أداء الخوارزمية، يتم تنفيذ عدة استراتيجيات مبتكرة، بما في ذلك استراتيجية إصلاح ديناميكية للحلول غير القابلة للتطبيق، وآلية توجيه عشوائية لتحسين كفاءة البحث، ونظام اضطراب متغير مع الزمن لتسهيل تبادل المعلومات بين الأفراد. بالإضافة إلى ذلك، يتم تقديم آلية اختيار احتمالية معدلة قبل مرحلة النحل المتفرج، وتطبيق تقنية تعلم قائمة على المعارضة خلال مرحلة النحل الكشفي لتحسين الأفراد غير المتجددين. تظهر التقييمات التجريبية أن cABC تتفوق على ABC التقليدية وأحد عشر خوارزمية أخرى معروفة على كل من مجموعات بيانات CAP وM*، مما يظهر دقة الحل superior وموثوقيتها في حل UFLPs.
مقدمة
تقدم مقدمة هذه الورقة البحثية تطور وتطبيق خوارزمية مستعمرة النحل الاصطناعية (ABC)، التي اقترحها كارابوغا في عام 2005 وتم تطويرها بشكل أكبر في السنوات اللاحقة. لقد حازت خوارزمية ABC على اهتمام كبير بسبب قدراتها القوية في البحث، وبساطتها، وسهولة تنفيذها. تم تقديم تعديلات مختلفة على خوارزمية ABC لتعزيز أدائها في مشاكل التحسين المستمرة، بما في ذلك OCABC وqABC وdistABC وMuABC وAPABC وIDABC وRL DNSABC، حيث تعالج كل منها قيودًا معينة مثل الركود وبطء التقارب.
تسلط الورقة الضوء أيضًا على تطبيقات متغيرات ABC في مجالات متنوعة، لا سيما في حل مشكلة تحديد مواقع المنشآت غير المحدودة (UFLP)، التي تظل محورًا للبحث بسبب طبيعتها الصعبة NP. تم اقتراح العديد من الخوارزميات، بما في ذلك خوارزميات اليراعات، والبحث المتناثر، وطرق التحسين الثنائي، لمعالجة UFLP. يقدم المؤلفون خوارزمية جديدة لمستعمرة النحل الاصطناعية المستمرة (cABC) مصممة لتحسين أداء التقارب لـ UFLP من خلال استخدام آلية توجيه عشوائية ونظام اضطراب متغير مع الزمن. يتم التحقق من فعالية cABC من خلال تجارب واسعة على مجموعات بيانات مرجعية، مما يظهر ميزتها التنافسية ضد الخوارزميات الحالية الرائدة. تم هيكلة الورقة لتقديم وصف رياضي لـ UFLP، ونظرة عامة على خوارزمية ABC القياسية، وcABC المقترحة، ونتائج تجريبية مفصلة ومناقشات.
طرق
في هذا القسم، يقدم المؤلفون تحليلًا مقارنًا لخوارزمية cABC مقابل تسع طرق معروفة على مجموعة بيانات CAP، بما في ذلك متغيرات SimLogicTSA وخوارزميات بارزة أخرى. يتم إجراء المقارنة تحت معيار توقف موحد، مع نتائج مستمدة من الأدبيات الحالية لضمان الموثوقية. تشير النتائج، الملخصة في الجدول 4، إلى أن معظم الطرق، باستثناء SimLogicTSA-LSM وMBVS، تحقق بنجاح أفضل الحلول المعروفة لـ 13 من 15 حالة من مجموعة بيانات CAP، مما يظهر تنافسية هذه الخوارزميات في معالجة مقاييس مختلفة من مشكلة تحديد مواقع المنشآت غير المحدودة (UFLP).
علاوة على ذلك، يتم تقييم أداء cABC على مجموعة بيانات M* من خلال تجارب مستقلة واسعة، مع تفاصيل النتائج في الجدول 5. تتفوق خوارزمية cABC من خلال تحقيق أفضل الحلول المعروفة لتسع حالات، مع معدلات نجاح عالية عبر أحجام مختلفة، بما في ذلك 99 من 100 تجربة لبعض الحالات. يبرز هذا الأداء قوة cABC وفعاليتها في حل مجموعة بيانات M*، مما يعزز إمكانياتها كطريقة متفوقة في مهام التحسين.
مناقشة
تركز قسم المناقشة في الورقة على مشكلة تحديد مواقع المنشآت غير المحدودة (UFLP)، وهي تحدٍ في التحسين الثنائي يتضمن مجموعة من المنشآت والمستخدمين، حيث الهدف هو تقليل التكلفة الإجمالية لإعداد المنشآت والخدمات. يتم تقديم الصياغة الرياضية لـ UFLP، مع تسليط الضوء على القيود التي تضمن أن يتم خدمة كل عميل بواسطة منشأة واحدة فقط وأن الخدمة يمكن أن تُقدم فقط من قبل المنشآت المفتوحة. يقدم القسم أيضًا خوارزمية مستعمرة النحل الاصطناعية (ABC) كنهج للحل، مع تفاصيل حول مكوناتها مثل تهيئة السكان، وتفريق الأفراد، ومراحل النحل المستخدم، والمتفرج، والكشفي.
تعزز خوارزمية مستعمرة النحل الاصطناعية المستمرة (cABC) من ABC الأصلية من خلال دمج التهيئة الفوضوية، وآليات التوجيه العشوائية، واستراتيجيات الإصلاح الديناميكية لتحسين جودة الحل وسرعة التقارب. يتم إثبات فعالية cABC من خلال مقارنات مع ABC القياسية وطرق أخرى معروفة على مجموعات بيانات مرجعية، مما يكشف أن cABC تتفوق بشكل كبير على منافسيها من حيث العثور على حلول مثلى ومعدلات التقارب. تؤكد النتائج على إمكانيات cABC كبديل قوي لحل UFLP، لا سيما في الحالات الصعبة حيث تكافح الطرق التقليدية.
DOI: https://doi.org/10.1038/s41598-026-37792-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41680394
Publication Date: 2026-02-13
Author(s): Meiqing An et al.
Primary Topic: Facility Location and Emergency Management
Overview
The research introduces a continuous Artificial Bee Colony (cABC) algorithm specifically designed to address uncapacitated facility location problems (UFLP), a challenge that traditional ABC algorithms struggle with due to their inability to directly handle discrete optimization without complex transformations. The cABC employs a chaotic initialization technique to generate a diverse initial population within the range of [0,1), facilitating its evolution in continuous space. A probability discretizing mechanism is then utilized to convert continuous solutions into binary vectors suitable for UFLP.
To further enhance the algorithm’s performance, several innovative strategies are implemented, including a dynamic repair strategy for infeasible solutions, a random guiding mechanism to improve search efficiency, and a time-varying perturbation scheme to facilitate information sharing among individuals. Additionally, a modified probability choice mechanism is introduced prior to the onlooker bees phase, and an opposition-based learning technique is applied during the scout bees phase to optimize non-updating individuals. Experimental evaluations demonstrate that cABC outperforms traditional ABC and eleven other established algorithms on both the CAP and M* datasets, showcasing superior solution accuracy and robustness in solving UFLPs.
Introduction
The introduction of this research paper outlines the evolution and application of the Artificial Bee Colony (ABC) algorithm, initially proposed by Karaboga in 2005 and further developed in subsequent years. The ABC algorithm has garnered significant attention due to its robust search capabilities, simplicity, and ease of implementation. Various adaptations of the ABC algorithm have been introduced to enhance its performance in continuous optimization problems, including OCABC, qABC, distABC, MuABC, APABC, IDABC, and RL DNSABC, each addressing specific limitations such as stagnation and slow convergence.
The paper also highlights the application of ABC variants in diverse fields, particularly in solving the Uncapacitated Facility Location Problem (UFLP), which remains a focus of research due to its NP-hard nature. Numerous algorithms, including firefly algorithms, scatter search, and binary optimization methods, have been proposed to tackle UFLP. The authors introduce a new continuous artificial bee colony algorithm (cABC) designed to improve convergence performance for UFLP by employing a random guiding mechanism and a time-varying perturbation scheme. The effectiveness of cABC is validated through extensive experiments on benchmark datasets, demonstrating its competitive edge against existing state-of-the-art algorithms. The paper is structured to provide a mathematical description of UFLP, an overview of the standard ABC algorithm, the proposed cABC, and detailed experimental results and discussions.
Methods
In this section, the authors present a comparative analysis of the cABC algorithm against nine established methods on the CAP dataset, including SimLogicTSA variants and other notable algorithms. The comparison is conducted under a uniform stopping criterion, with results sourced from existing literature for reliability. The findings, summarized in Table 4, indicate that most methods, with the exception of SimLogicTSA-LSM and MBVS, successfully achieve the best-known solutions for 13 out of 15 instances of the CAP dataset, demonstrating the competitiveness of these algorithms in addressing various scales of the Uncapacitated Facility Location Problem (UFLP).
Furthermore, the performance of cABC on the M* dataset is evaluated through extensive independent runs, with results detailed in Table 5. The cABC algorithm excels by attaining the best-known solutions for nine instances, with high success rates across various sizes, including 99 out of 100 runs for certain instances. This performance highlights cABC’s robustness and effectiveness in solving the M* dataset, reinforcing its potential as a superior method in optimization tasks.
Discussion
The discussion section of the paper focuses on the uncapacitated facility location problem (UFLP), a binary optimization challenge involving a set of factory facilities and clients, where the goal is to minimize the total cost of facility setup and service. The mathematical formulation of UFLP is presented, highlighting the constraints that ensure each client is served by only one facility and that service can only be provided by open facilities. The section also introduces the artificial bee colony algorithm (ABC) as a solution approach, detailing its components such as population initialization, individual discretization, and the phases of employed, onlooker, and scout bees.
The proposed continuous artificial bee colony algorithm (cABC) enhances the original ABC by incorporating chaotic initialization, random guiding mechanisms, and dynamic repair strategies to improve solution quality and convergence speed. The effectiveness of cABC is demonstrated through comparisons with standard ABC and other established methods on benchmark datasets, revealing that cABC significantly outperforms its competitors in terms of finding optimal solutions and convergence rates. The results underscore cABC’s potential as a robust alternative for solving UFLP, particularly in challenging instances where traditional methods struggle.