人工蜂群算法作为一种新兴的群体智能算法，在解决复杂连续问题时表现突出。但是由于算法本身内在运行机制的原因，算法在搜索上表现出优异的性能，却疏于开发。为了平衡搜索和开发二者之间的矛盾，提出了一种基于遗传模型改进的人工蜂群算法，并成功运用到了阵列综合领域。算法先将全局最优解引入邻域搜索过程，指导蜂群寻找最佳蜜源，加速算法收敛。为了避免人工蜂群算法陷入局部最优，需要提高其开发能力，通过借鉴遗传算法中的进化机制，建立了遗传模型，对采取最佳保留后的蜜源进行遗传操作，丰富蜜源的多样性。在一组广泛使用的数值函数上对改进人工蜂群算法进行了测试，实验数据表明，该算法相较于其他算法具有很强的竞争力。将该算法运用于线性阵列的稀疏优化，旨在降低阵列的峰值旁瓣电平，在同样的阵列约束下与其他算法进行了优化对比，仿真结果进一步证明了算法的有效性。

提出了一种基于拉曼光谱和改进人工蜂群算法优化支持向量机回归(IABC-SVR)算法快速定量检测山羊血清蛋白含量的方法。 传统人工蜂群算法在数据区域规模较大时, 收敛速度逐渐减慢, 出现效率低、 精准度下降、 局部最优解概率高等问题。 所提出的算法解决了这些问题, 使算法在进化前期避免陷入局部最优解, 在进化中后期能够保持解的全局搜索能力。 常规测定血清蛋白总量的方法通常采用凯氏定氮法、 双缩脲法等, 但存在时效慢、 污染样本等缺点。 采用拉曼光谱法进行检测, 具有快速、 无损的优点。 以山羊血清为分析对象, 按一定体积比配置35组待测样本, 用拉曼光谱仪采集拉曼光谱, 光谱采集范围为300~1 300 cm^-1, 采用基线矫正去除荧光背景, 使用Savitzky-Golay光谱平滑法对原始光谱进行平滑处理, 归一化处理光谱数据, 并对拉曼光谱特征峰进行归属。 实验结果表明, 拉曼光谱能够表征血清中主要化学集团的信息, 且由于官能团浓度差异, 光谱特征峰强度随浓度变化明显, 因此基于特征峰信息可以测定血清蛋白总量。 实验中, 以购买的山羊血清蛋白含量为基准, 通过配置样本的体积比得到各组待测血清样本的蛋白含量, 配置的单个液体样本体积为3 mL, 随机选取8组实验样本作为模型测试集, 剩余27组作为模型训练集。 以经过处理的光谱特征峰强度和对应的血清蛋白含量分别作为模型的输入值及输出值, 建立IABC-SVR, ABC-SVR和BP三种算法的定量模型, 对测试集血清蛋白总量进行预测。 最后通过均方差(MSE), 相关系数(r)与建模时间分别进行对比, 结果表明通过IABC-SVR建立的山羊血清蛋白定量矫正模型效果最佳, 模型的相关系数为0.990 27, 均方误差为0.244 3, 建模时间为1.9 s, 预测值方差均小于0.001 g·mL^-1, 预测准确率为99.8%。 实验结果表明, 应用激光拉曼光谱技术结合IABC-SVR算法, 对快速定量检测山羊血清蛋白含量, 具有较高的准确率和稳定性。

β-苯乙胺(PEA)是一种重要的有机合成中间体, 在PEA生产过程中, 最终的生成物中常常为含有氯化钠(NaCl)、 氢氧化钠(NaOH)和PEA三者的混合物。 因此, 对NaCl, NaOH, PEA和混合物种类进行鉴别, 有利于PEA的合成以及定性检测, 需建立紫外光谱快速鉴别NaCl, NaOH, PEA和混合物种类的方法。 利用紫外光谱法分别测量了NaCl, NaOH, PEA和混合物在190~400 nm范围的吸收光谱。 首先, 采用偏最小二乘法(PLS)提取紫外光谱的主成分信息, 用少数的主成分信息取代原始变量, 减少模型的复杂度。 用PLS提取NaCl, NaOH和PEA在前三个主成分空间中得分向量值的分布。 可知NaCl, NaOH和PEA前三个主成分累计贡献率分别是96.64%, 99.44%和99.95%。 因此, NaCl、 NaOH和PEA的前三个主成分基本包含了大部分的光谱信息。 其次, 用获得的三个主成分作为输入变量, 采用线性判别分析(LDA), Sigmoid SVM, RBF-SVM, RBF-ANN, BP-ANN和人工蜂群(ABC)优化神经网络(ABC-BP-ANN)等模式识别方法对NaCl, NaOH和PEA种类进行判别, 获得总的敏感性分别为95.6%, 95.6%, 95.9%, 95.8%, 96.9%和99.6%。 由于NaCl和NaOH特征吸收峰很相似, 主成分得分向量会出现重叠现象, 导致NaCl和NaOH的种类鉴别出现误判。 通过对比六种分类方法, 可知ABC-BP-ANN效果最优, BP-ANN次之, RBF-SVM和RBF-ANN结果相似, 但比BP-ANN稍差, LDA和Sigmoid-SVM效果最差。 最后, 配制7种不同摩尔分数的混合物(混合物摩尔分数是指PEA物质的量占混合物总物质的量百分比), 浓度范围为0%mol·L^-1~60%mol·L^-1, 然后采用RBF-SVM, BP-ANN和ABC-BP-ANN三种方法对混合物种类进行判别。 从敏感性和特异性结果可以得知, ABC-BP-ANN分类效果最好, BP-ANN次之, RBF-SVM分类效果最差, 由混合物得到的结果与单组分的结果相一致。 结果表明, 紫外光谱结合ABC-BP-ANN模式识别方法可以成功区分NaCl, NaOH, PEA和混合物的种类。 该方法可作为一种简便、 快速、 可靠的方法用于NaCl, NaOH, PEA和混合物的种类判别, 并为PEA的合成和质量控制提供理论依据和技术支撑。

使用人工蜂群算法实现对基于Mie散射理论的小角前向散射法的颗粒系粒径多峰分布的反演，并进行仿真和实验.对服从正态分布、Rosin-Rammler分布、Johnson’s S_B分布函数的均匀球形颗粒系进行仿真.分别模拟了单峰、双峰和三峰分布的颗粒群，人工蜂群算法均能较好地实现颗粒粒径的反演.在单峰分布时，颗粒重量频率分布曲线的相对均方根误差低至3.53×10^-8.与独立模式Philip-Twomey-NNLS算法和Chahine算法相比，人工蜂群算法的仿真反演精度更高，其双峰宽分布的颗粒重量频率分布曲线的相对均方根误差分别由3.38%和2.70%降至1.53%，且随着峰数增多、分布曲线宽度变窄和噪声增加，Philip-Twomey-NNLS算法和Chahine算法的误差分别增加至44.99%和24.36%，而人工蜂群算法的误差为18.22%.搭建小角前向散射法颗粒测量系统，分别采集国家标准颗粒35 μm单一颗粒群和30 μm、51 μm混合颗粒群的散射图像进行实验研究，均得到较高精度的反演结果，与Philip-Twomey-NNLS算法相比，其特征粒径的相对误差可降低50%左右，特征参数的相对误差在5%以内.