细菌觅食优化算法的研究与改进

细菌觅食优化算法是一种群集智能优化方法,针对细菌觅食优化算法中的迁徙和复制操作进行改进.迁徙操作导致已经找到最优位置或接近最优位置的细菌个体逃离最优位置,产生逃逸现象,极大地影响了算法的收敛速度.为解决快速性,根据菌群的进化代数改变迁徙操作的作用范围,避免逃逸发生,提出在复制操作中,按照细菌个体当前适应度值的优劣进行复制,更准确地实现了细菌个体的优胜劣汰,进一步提高收敛速度.经典函数测试表明,改进算法在收敛速度和精度上比原有算法有了较大提高.     

改进的细菌觅食优化算法及其应用研究

为了解决离散域问题,提出了改进的细菌觅食优化算法,并用该算法以减少分布式发电单元总的功率损耗,提高径向配电系统的电压分布。该算法旨在改进细菌觅食优化算法的性能。实验结果表明,提出的改进的细菌觅食优化算法得出的结果优于细菌觅食优化算法。最后将电力系统的12路、34路总线径向分布系统组成的11和33节进行仿真比较,证明了所提出的优化方法的可实现性和方便性。     

细菌觅食优化算法的研究进展

细菌觅食优化算法是近年来发展起来的,基于大肠杆菌觅食行为模型的一种新型智能算法。它具有对初值和参数选择不敏感、鲁棒性强、简单易于实现,以及并行处理和全局搜索等优点。但其在应用过程中存在精度不够高、收敛速度不够快的缺点。文中首先对细菌觅食优化算法的基本原理及操作流程进行介绍,并概述了国内外学者在这一领域的研究现状,接着分析了算法三大主要操作存在的问题,然后探讨了算法的改进和应用,最后分析了算法未来的研究方向。     

改进的细菌觅食优化算法

细菌觅食优化算法是一种受大肠杆菌觅食现象启发产生的一种群体进化算法,该算法具有良好的全局优化能力,鲁棒性强,算法简单等优点,但其也存在易早熟,收敛速度慢等缺点. 根据其缺点,提出了一种改进的细菌觅食优化算法,改进后的算法收敛速度加快,在一定程度上避免了易早熟的缺点. 将原算法和改进算法应用于PID参数的在线自整定,通过matlab仿真实验证明了算法改进后的优越性.     

基于粒子群优化的细菌觅食优化算法

细菌觅食优化算法(BFOA)具有全局搜索能力强的优点,但存在收敛速度慢的缺陷.为了解决以上问题,结合收敛速度快的粒子群优化算法,提出一种基于粒子群优化的细菌觅食优化算法(BF-PSO),该改进的优化算法具有可操作性和优越性.选用测试函数和对PID控制参数整定的实例进行Matlab仿真,结果进一步显示了BF-PSO的优化能力优于BFOA,收敛速度快,且具有较好的鲁棒性.     

基于免疫算法的细菌觅食优化算法

针对细菌觅食优化算法经常出现的速度较慢、步长一致的缺陷,赋予细菌灵敏度的概念,对细菌游动的步长进行调节以提高收敛速度。采用免疫算法中的克隆选择思想,对精英细菌群体进行克隆、高频变异和随机交叉,引导算法提高搜索精度。典型高维函数测试表明,改进算法的搜索速度和精度得到极大提升,算法改造后可适用于多维、约束等实际工程问题中的优化。     

基于高斯分布估计的细菌觅食优化算法

针对细菌觅食算法在优化过程中存在步长一致、速度较慢的缺陷,赋予细菌以灵敏度的概念来调节趋化步长：将分布估计算法的思想引入繁殖算子,对细菌能量较好的半数细菌进行分布估计再生以增加群体的多样性,提高收敛速度;根据细菌的能量情况,赋予细菌自适应迁移概率,对较差的细菌进行随机或指定迁移,以提高算法的全局寻优能力．采用多峰高维标准测试函数对改进算法进行了测试,结果表明,所提出算法有效地提高了搜索速度和精度,改造后可用于多维、约束等实际工程问题的优化．     

细菌觅食算法求解高维优化问题

针对细菌觅食优化算法中,以往的自适应步长公式引入参数过多,统一的经验性参数无法适应各类不同问题的情况,提出了改进的自适应步长公式,通过在步长公式中引入当前细菌的进化代数、寻优范围,并发挥当前最优细菌的引导作用,灵活的调整步长,真正达到自适应调整步长的目的;其次对高维优化问题进行分析,将其分为可分解可分组、不可分解可分组和不可分解不可分组三大类,针对不同类型的问题,采用不同的分组方式,降维、细化来求解,将复杂的问题简单化,极大的提高了求解的效率和精度。将改进的自适应步长公式应用于高维优化问题的求解方法中,通过对多个标准测试函数在多维空间特别是超高维空间（500维、800维、1000维）进行测试,并将其结果同其它算法进行比较,实验证明本文改进算法在寻得最优解的精度和效率上比其它改进方案有显著提高。     

多目标细菌觅食优化算法*

传统的细菌觅食优化算法仅针对单目标优化问题寻优。为进一步发掘细菌群体智能在多目标优化问题中的寻优优势,提出了改进的多目标细菌觅食优化算法。在个体间互不支配时给出归一化的择优策略;引入差分思想完成复制操作,提高种群的多样性;采用栅格划分法进行迁徙操作,提高解集的分散性。同时使用外部集存放当前找到的非支配解,并不断对外部集进行优化。通过对多个标准函数进行测试并与其他几种算法的对比结果表明,所提出的多目标细菌觅食优化算法在解的收敛性和分散性指标上都有一定提升,能够有效解决多目标优化问题。     

拆卸线平衡问题的改进细菌觅食优化算法

拆卸是产品回收过程中最重要的环节,拆卸过程高效与否直接影响产品的回收效率。为克服传统算法求解拆卸线平衡问题时性能不稳定的缺陷,在构建基于工作站利用率、负荷均衡,尽早拆卸有危害、高需求的零件,最小化拆卸成本等方面的拆卸线平衡问题多目标优化模型的基础上,提出一种改进的细菌觅食优化算法对问题求解。通过改进细菌的移动规则扩大搜索空间,引入全局信息共享策略增强算法收敛性能,定义了一种自适应驱散概率防止驱散操作中解的退化。在对不同规模算例的对比分析中,验证了该算法的有效性。     

一种改进细菌觅食优化算法及其在软测量建模中的应用

针对软测量建模中模型参数的优化需求,在分析细菌觅食优化算法(BFOA)和粒子群优化(PSO)算法的基础上,将二者有机结合,提出了一种新型细菌觅食粒子群混合优化算法(BSOA)。该算法将PSO粒子移动的思想引入BFOA,有效解决了BFOA趋向性操作中细菌位置更新的盲目性。将其分别用于典型函数的寻优与成品油研究法辛烷值最小二乘支持向量机(LSSVM)模型参数的优化,仿真结果表明:该方法有效增强了算法的全局寻优能力与收敛速度,并在一定程度上改善了模型的预测精度与泛化能力。     

基于细菌觅食趋化算子的PSO算法*

PSO算法是模拟鸟群觅食的一种解决优化问题的仿生算法,为了避免其在优化过程中过快陷入局部极值的缺陷,提出一种新的基于细菌觅食趋化算子PSO算法。结合细菌觅食算法的局部搜索优势,将其趋化思想引入到PSO算法中。通过典型函数优化测试表明,该算法可以有效弥补PSO算法精度不高、容易陷入局部最优的缺陷。新算法是一种全局优化算法,适用于解决复杂特别是多峰不规则的函数优化。     

离散型细菌觅食算法求解TSP

旅行商问题(TSP)是组合优化问题的典型代表,针对TSP的求解提出一种离散型细菌觅食(DBFO)算法.该算法通过结合2-opt算法设计了一种适合处理离散型变量的趋化算子,将细菌觅食算法推广到了离散情形.同时,结合TSP的特点,在迁徙算子中引入基因库的思想来指导新个体的生成,提高了算法的搜索效率.通过对TSPLIB标准库中22个实例进行仿真实验.实验结果表明,该算法能够有效求解城市规模500以下的TSP,与混合蚁群算法和离散型萤火虫群算法相比,具有更好的全局收敛性和稳定性.     

改进细菌觅食算法求解车间作业调度问题*

针对细菌觅食算法（BFOA）求解高维优化问题时容易陷入局部最优和早熟的问题,引入自适应步长及差分进化算子,并将改进算法用于车间作业调度问题（JSP）中。求解时,设计了一种编码转换方案,从而无须修改BFOA运算规则即可实现对JSP的寻优;同时,采用空闲时间片段优化策略降低了调度问题的复杂性。仿真实验表明,该算法能够跳出局部最优,避免了早熟的问题,调度结果优于原始细菌觅食算法和离散粒子群算法。     

一种采用改进细菌觅食优化算法的图像增强方法

为了解决现有图像增强技术在细节处理方面的不足以及变换后图像直方图分布偏移的情况,提出一种采用改进细菌觅食优化算法的灰度图像增强方法。针对细菌觅食算法在优化高维函数时性能不佳、易陷入早熟收敛的缺陷,将变高维的灰度图像增强问题转化为固定2维的非完全Beta函数的参数最优化问题。仿真实验结果表明了所提出方法的有效性,与其他方法相比,增强后的图像细节表现更自然,直方图分布更均匀,明暗区域分配更合理。     

Bacteria foraging optimization in antenna engineering: An application to array fault finding

Finding fault elements in linear antenna arrays using bacteria foraging optimization (BFO) is presented. One of the better options of array diagnosis is to perform it by measuring the radiated field, because in this case, removal of the array from its working site is not required and thereby not interrupting its normal operation. This task of fault finding from far‐field data is designed as an optimization problem where the difference between the far‐field power pattern obtained for a given configuration of failed element(s) and the measured one is minimized w. r. t. the excitations of the array elements. This set of excitations on comparison with the excitations of the original array gives the idea of the fault position and their type, such as either complete fault or partial fault. BFO being relatively new to microwave community when compared with other soft‐computing techniques, its performance was observed w. r. t. time of computation and convergence of the iterative process. Possibility of finding the faults from random sample points and use of minimum number of sample points for array fault finding are the novelties of the present work. © 2012 Wiley Periodicals, Inc. Int J RF and Microwave CAE, 2013.     

自适应双向菌群优化算法

提出了自适应双向菌群优化算法,应用聚类思想将趋化步长进行自适应调整,提高算法的局部搜索能力,引入双向游动机制,提高了算法的搜索效率和速度。针对10个复杂Benchmark函数进行了数值优化实验,其结果表明,在所有测试函数中,该算法在搜索能力和稳定性等方面优于其他典型算法的比率达到60%～90%,验证了算法的有效性。