Der künstliche Bienenvolk-Algorithmus („Artificial Bee Colony“- oder kurz ABC-Algorithmus) ist ein relativ neuer populationsbasierter Algorithmus zur Lösung komplexer Optimierungsprobleme. Im Algorithmus suchen die Bienen nach Nahrungsquellen und teilen die Informationen mit den übrigen Sammlerinnen im Volk, die dann eine Nahrungsquelle auswählen. Kundschafterinnen führen zufällige Suchen durch, um neue Futterquellen zu entdecken. Die Positionen von Nahrungsquellen stellen dabei mögliche Lösungen für ein Optimierungsproblem dar. Der ABC-Algorithmus verfügt über weniger Steuerparameter, eine einfachere Struktur und eine überzeugendere Leistung als andere Methoden. Daher wurde er in Bereichen wie Data Mining und Vehicle Routing bereits angewendet. „Es bedarf jedoch vieler Iterationen, um eine Lösung zu erhalten“, erklärt Yuki Todo von der Kanazawa Universität, „daher ist die Exploration gut, die Ausbeutung jedoch schlecht.“

Daher entwickelten die Forscher nun einen neuen skalenfreien Mechanismus für den ABC-Algorithmus, wobei seine Leistung anhand von Problemen in der realen Welt überprüft wurde. Sie analysierten, wie die Netzwerkeigenschaften eines skalenfreien Netzwerks den Optimierungsprozess beeinflussen. In jeder Iteration wurden angelernte Sammlerinnen (oder Zuschauerinnen) entsprechend der Qualität ihrer Nahrungsquellen auf die Knoten des skalenfreien Netzwerks platziert.
Bienen mit weniger guten Nahrungsquellen waren häufiger mit solchen qualitativ hochwertiger Nahrungsquellen verbunden.

Der skalenfreie Algorithmus („Scale-Free Artificial Bee Colony“-Algorithmus, kurz SFABC) ermöglicht es jeder Sammlerin, effektivere Informationen von seinen Nachbarn zu erlernen, wodurch die Nutzungsfähigkeit des ABC-Algorithmus verbessert wird. Da die Eigenschaft des Korrelationskoeffizienten mit niedrigem Grad den Informationsaustausch zwischen hochqualitativ eingesetzten Bienen steuern kann, werden die Informationen dieser Bienen nicht von allen Sammlerinnen direkt übernommen. Dies trägt zum Erhalt der Vielfalt bei und vermeidet das Problem einer zu frühen Konvergenz. „Während des Optimierungsprozesses erzielt der maßstabsfreie ABC-Algorithmus ein besseres Gleichgewicht zwischen Exploration und Nutzung“, sagt Junkai Ji von der Universität Toyama, „und erleichtert die Suchfähigkeit anderer iterativer Ansätze, wie beispielsweise dem Blütenbestäubungsalgorithmus.“