蜜蜂不仅是粮食作物的重要传粉媒介，它们对丰富食物来源的追捕也被证明是优化数值问题的优秀模型。现在，来自金泽大学和富山大学的研究人员利用蜜蜂的智能行为来改善现实问题中的优化性能。

受蜂蜜蜂群的觅食行为的启发，人工蜂群(ABC)算法是一种相对较新的基于种群的算法，用于解决复杂的优化问题。在算法中，受雇的蜜蜂寻找食物来源并与旁观者蜜蜂分享信息，然后蜜蜂选择食物来源进行利用。童子军进行随机搜索以发现新食物。食物来源的位置代表优化问题的可能解决方案。与其他方法相比，ABC算法具有更少的控制参数，更简单的结构和更令人信服的性能，因此它已广泛应用于数据挖掘和车辆路径等领域。“然而，需要多次迭代才能获得解决方案，”金泽大学电子与计算机工程系的Yuki Todo解释道，“因此，

因此，研究人员开发了一种新颖的无标度机制来指导ABC算法的搜索，并利用现实问题验证其性能。他们分析了无标度网络的网络属性，即幂律分布和低度度相关系数如何影响优化过程。在每次迭代中，根据其食物来源的质量，将所使用的蜜蜂(或旁观者蜜蜂)放置在无标度网络的节点上。使用优质食物来源的受雇蜜蜂被重新安置到高度节点，并且使用质量相对较低的食物来源的蜜蜂被重新安置到低度节点。使用这些规则，幂律分布属性使得低质量的蜜蜂更有可能与高质量的蜜蜂联系起来。

无标度机制使每个受雇的蜜蜂能够从其邻居那里学习更有效的信息，从而提高了ABC算法的开发能力。由于低度相关系数属性可以控制高质量的蜜蜂之间的信息交换，它可以阻止这些蜜蜂的信息迅速接管整个人口。这有助于维持人口多样性，避免人口过早融合的问题。“在优化过程中，无标度ABC算法在探索和开发之间取得了更好的平衡，”富山大学工程学院的Junkai Ji表示，“并且还提高了其他迭代方法的搜索能力，例如：花授粉算法。“