DOI: https://doi.org/10.1038/s41598-026-38028-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41634318
تاريخ النشر: 2026-02-03
المؤلف: Gurmeet Saini وآخرون
الموضوع الرئيسي: الشبكات العصبية وحوسبة الخزانات
نظرة عامة
إطار عمل خلية النحل الاصطناعية المدعومة بالتعلم (LA-ABC) يتناول تحديًا كبيرًا في ذكاء السرب: الاستخدام الفعال للمعرفة المكتسبة خلال عمليات البحث عن التحسين مع تقليل مخاطر نقل المعرفة السلبية. يدمج LA-ABC آلية نقل المعرفة العصبية مع خوارزمية خلية النحل الاصطناعية التقليدية (ABC)، مستخدمًا بنية ذات مسارين توازن بين الاستكشاف ونقل المعرفة. تتعلم شبكة عصبية اصطناعية (ANN) من أرشيف ديناميكي للحلول الناجحة، مما يسمح للنموذج بتمييز الأنماط المفيدة في سياقات البحث المتنوعة. هذا النهج المبتكر يحول خوارزمية ABC إلى وكيل ذكي قادر على التنقل في مشاهد اللياقة البدنية المعقدة بشكل أكثر فعالية.
تُثبت فعالية LA-ABC من خلال تقييمات شاملة ضد 23 دالة اختبار قياسية، مجموعة IEEE CEC 2019، ومشكلة استخراج معلمات الطاقة الشمسية في العالم الحقيقي. يتفوق الإطار بشكل كبير على 12 خوارزمية متطورة، بما في ذلك مجموعة متنوعة من الخوارزميات الميتاهيرستية، كما تؤكده اختبارات إحصائية صارمة. في مهمة نمذجة الطاقة الشمسية، يقدر LA-ABC بدقة المعلمات الحرجة، مما يظهر معدلات خطأ منخفضة وسرعة تقارب سريعة، مما يؤكد قابليته العملية. تشمل اتجاهات البحث المستقبلية توسيع LA-ABC لمواجهة تحديات التحسين متعددة الأبعاد والكبيرة، واستكشاف هياكل التعلم التكيفية، ودمج ضبط المعلمات ذاتية التكيف لتعزيز القابلية للتوسع والتعميم.
طرق
في هذا القسم، يوضح المؤلفون التحقق التجريبي من إطار عملهم المقترح خلية النحل الاصطناعية المدعومة بالتعلم (LA-ABC). يبدأون بتبرير اختياراتهم المعمارية ويتقدمون إلى تقييم مقارن ضد الخوارزميات المتطورة، بما في ذلك L-PSO، L-DE، KLPSO، KLDE، KLJADE، وKL-TAPSO، التي تُعرف بتحسين أدائها مقارنة بالخوارزميات التقليدية مثل PSO وDE. تم إجراء التجارب باستخدام MATLAB R2023b على تكوين كمبيوتر محمول محدد، مما يضمن إمكانية التكرار من خلال الالتزام بإعدادات المعلمات المعمول بها ضمن المناطق التشغيلية الفعالة من $F \in [0.4, 0.9]$ و$CR \in [0.5, 0.9]$.
لتقييم الإطار بشكل صارم، تم تصميم أربعة متغيرات تجريبية: خوارزمية خلية النحل الاصطناعية القياسية (ABC) كأساس، LA-ABC-DP التي تختبر القدرة التنبؤية لمحرك التعلم بدون مشغل LCG، LA-ABC-BP التي تقيم هيكل مشغل LCG بدون ذكاء متعلم، والإطار الكامل LA-ABC الذي يدمج كل من النموذج التنبؤي ومشغل LCG. يسمح هذا النهج المنظم بتحليل دقيق لمساهمات كل مكون في الأداء العام، مما يبرز فعالية وقوة الطريقة المقترحة.
نقاش
يسلط قسم النقاش في ورقة البحث الضوء على المساهمات الكبيرة لإطار عمل LA-ABC المقترح، الذي يدمج نظام تعلم المعرفة العصبية الاصطناعية (ANN) عبر الإنترنت مع خوارزمية خلية النحل الاصطناعية التقليدية (ABC). تشمل الابتكارات الرئيسية تطوير محرك تعلم ونقل المعرفة، الذي يستخدم أرشيف تجارب ناجحة (SEPs) لاكتساب المعرفة في الوقت الحقيقي ونموذج تنبؤي قائم على ANN لتعزيز كفاءة البحث. علاوة على ذلك، يتم تقديم مشغل توليدي مركزي للتعلم (LCG) جديد، يقوم بتفعيل المعرفة المكتسبة لتحسين التقارب وجودة الحلول خلال عملية التحسين.
تضع الورقة إطار عمل LA-ABC في سياق أوسع لحساب التطور (EC)، مع التأكيد على الانتقال من المشغلين العشوائيين التقليديين إلى استراتيجيات أكثر ذكاءً تعتمد على البيانات. تستعرض الأدبيات الحالية حول خوارزمية ABC وإطارات نقل المعرفة، مشيرة إلى أنه بينما تركز العديد من الأساليب على معرفة المشكلة أو الحل، فإن إطار عمل LA-ABC يبرز بشكل فريد أهمية تعلم العملية التطورية نفسها. كما يحدد النقاش بنية إطار عمل LA-ABC، موضحًا تصميمه ذي المسارين الذي يوازن بين الاستكشاف والاستغلال، وآليات التعلم عبر الإنترنت ونقل المعرفة، والتي تعتبر حاسمة للتكيف مع مشاهد التحسين الديناميكية. بشكل عام، تؤكد النتائج على إمكانية الإطار في معالجة قيود خوارزميات ABC التقليدية، لا سيما من حيث سرعة التقارب وقوة الحلول.
DOI: https://doi.org/10.1038/s41598-026-38028-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41634318
Publication Date: 2026-02-03
Author(s): Gurmeet Saini et al.
Primary Topic: Neural Networks and Reservoir Computing
Overview
The Learning-Aided Artificial Bee Colony (LA-ABC) framework addresses a significant challenge in swarm intelligence: the effective use of knowledge gained during optimization searches while mitigating the risks of negative knowledge transfer. LA-ABC integrates a Neural Knowledge Transfer mechanism with the traditional Artificial Bee Colony (ABC) algorithm, employing a dual-pathway architecture that balances exploration and knowledge transfer. An Artificial Neural Network (ANN) learns from a dynamic archive of successful solutions, allowing the model to discern beneficial patterns in varying search contexts. This innovative approach transforms the ABC algorithm into an intelligent agent capable of navigating complex fitness landscapes more effectively.
The effectiveness of LA-ABC is validated through extensive benchmarking against 23 standard test functions, the IEEE CEC 2019 suite, and a real-world photovoltaic parameter extraction problem. The framework significantly outperforms 12 state-of-the-art algorithms, including various metaheuristics, as confirmed by rigorous statistical tests. In the photovoltaic modeling task, LA-ABC accurately estimates critical parameters, demonstrating low error rates and rapid convergence, thereby affirming its practical applicability. Future research directions include extending LA-ABC to tackle multimodal and large-scale optimization challenges, exploring adaptive learning structures, and integrating self-adaptive parameter tuning to enhance scalability and generalization.
Methods
In this section, the authors detail the experimental validation of their proposed Learning-based Artificial Bee Colony (LA-ABC) framework. They begin by justifying their architectural choices and proceed to a comparative evaluation against state-of-the-art algorithms, including L-PSO, L-DE, KLPSO, KLDE, KLJADE, and KL-TAPSO, which are recognized for their performance improvements over traditional algorithms like PSO and DE. The experiments were conducted using MATLAB R2023b on a specified laptop configuration, ensuring reproducibility by adhering to established parameter settings within the effective operating zones of $F \in [0.4, 0.9]$ and $CR \in [0.5, 0.9]$.
To rigorously assess the framework, four experimental variants were designed: the standard Artificial Bee Colony (ABC) algorithm as a baseline, LA-ABC-DP which tests the predictive capability of the Learning Engine without the LCG operator, LA-ABC-BP which evaluates the LCG operator’s structure without learned intelligence, and the complete LA-ABC framework that integrates both the predictive model and the LCG operator. This structured approach allows for a nuanced analysis of the contributions of each component to the overall performance, highlighting the effectiveness and robustness of the proposed method.
Discussion
The discussion section of the research paper highlights the significant contributions of the proposed LA-ABC framework, which integrates an online artificial neural network (ANN) knowledge learning system with the traditional Artificial Bee Colony (ABC) algorithm. Key innovations include the development of a Knowledge Learning and Transfer Engine, which utilizes a successful experience archive (SEPs) for real-time knowledge acquisition and an ANN-based predictive model to enhance search efficiency. Furthermore, a novel Learning-Centric Generative (LCG) operator is introduced, operationalizing the acquired knowledge to improve convergence and solution quality during the optimization process.
The paper situates the LA-ABC framework within the broader context of evolutionary computation (EC), emphasizing the shift from conventional stochastic operators to more intelligent, data-driven strategies. It reviews existing literature on the ABC algorithm and knowledge transfer frameworks, noting that while many approaches focus on problem or solution knowledge, the LA-ABC framework uniquely emphasizes learning the evolutionary process itself. The discussion also outlines the architecture of the LA-ABC framework, detailing its dual-path design that balances exploration and exploitation, and the mechanisms for online learning and knowledge transfer, which are critical for adapting to dynamic optimization landscapes. Overall, the findings underscore the framework’s potential to address the limitations of traditional ABC algorithms, particularly in terms of convergence speed and solution robustness.