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。     

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。     

基于混合细菌觅食算法的多目标优化方法

针对多目标优化求解过程中多个目标相互制约难以求解的特点,为了提高多目标优化问题的求解速度和精度,并保持最优解的多样性,提出了一种用粒子群改进的混合细菌觅食多目标优化算法。将粒子群算法的寻优更新机制作为细菌觅食算法中趋向性操作的更新机制,将所求得非劣解的拥挤度作为寻优迭代过程中最优值的选取条件。与细菌觅食算法和NS-GA-Ⅱ算法的仿真结果表明,在对多目标测试函数ZDT1～ZDT4和ZDT6的求解过程中,该算法不仅能提高精度和快速地得到Pareto解集,并能有效地保持所求最优解的多样性。     

一种混合蜂群算法的自适应细菌觅食优化算法

针对细菌觅食优化算法(BFOA)全局搜索能力差和易陷入局部最优的缺点,提出一种混合人工蜂群算法(ABC)的自适应细菌觅食优化算法。借鉴ABC的雇佣蜂行为,设计一种新的雇佣蜂式趋化方式,以提高算法的全局搜索能力。同时将原固定步长趋化改为自适应步长趋化,以提高算法的求解精度。引入种群多样性评价,依据评价结果完成2种趋化方式的自适应切换。为克服直接复制带来的多样性降低问题,提出基于t分布扰动的复制方式,同时设计基于对立学习的侦察蜂式迁移,以避免算法的早熟。仿真实验结果表明,与ABC和BFOA算法相比,该算法的寻优能力较强,在求解精度和收敛速度方面也具有较优的性能。     

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．     

改进的细菌觅食优化算法求解0-1背包问题

细菌觅食优化算法作为一种新兴的智能优化算法,一般用来解决连续域的问题。为了解决离散域问题,提出了一种改进的细菌觅食优化算法。采用线性递减的思想和随机的游动长度代替固定步长和随机游动方向,改进了趋向性操作方案,并将其应用于解决0-1背包问题。将改进的细菌觅食优化算法与遗传算法、离散粒子群优化算法及基本的离散化细菌觅食优化算法分别在小规模和大规模的0-1背包问题上进行了仿真比较,表明了改进的细菌觅食优化算法能取得较好的效果,寻优能力强。     

基于云推理的协方差矩阵自适应进化策略算法

针对协方差矩阵自适应进化策略(CMA-ES)在求解某些问题时存在早熟收敛、精度不高等缺点,通过利用云模型良好的不确定性问题处理能力对CMA-ES的步长控制过程进行改进,得到一种基于云推理的改进CMA-ES算法。该算法通过建立步长控制的云推理模型,采用云模型的不确定性推理来实现步长的控制,避免了原算法采用确定的函数映射进行步长伸缩变化而忽视进化过程中不确定性的不足。最后通过测试函数验证了改进算法具有较高的寻优性能。     

基于差分进化的细菌觅食群游算法*

针对细菌觅食算法在优化过程中步长一致、速度较慢的缺陷,赋予细菌对环境感知的能力,并利用灵敏度的概念来调节群游步长,提高收敛速度;将差分进化的思想引入趋化算子,对趋化过程中的细菌位置进行修正,改善群游过程中部分维的退化现象,增加收敛的精度。采用高维典型测试函数对算法进行测试,新算法明显提高了搜索速度和精度,改造后适用于多维、约束等实际工程问题的优化。     

基于细菌觅食特征改进粒子群算法优化SVM模型参数研究

针对粒子群算法优化SVM模型参数在进化后期容易陷入局部最优的问题,研究了细菌觅食趋利避害机制,提出了一种基于细菌觅食特性改进粒子群算法的方法,并将改进方法应用于优化SVM预测模型参数的研究;实验结果表明,该方法能够弥补粒子群算法在进化后期容易陷入局部最优的缺陷,具备更好的寻优性能。     

基于改进萤火虫优化算法的多阈值彩色图像分割

为了提高彩色图像的分割效果,提出一种基于改进的萤火虫优化(IGSO)算法的彩色图像多阈值分割方法,该方法以Kapur熵为目标函数。针对基本萤火虫优化(GSO)算法进化后期收敛速度慢和求解精度低的问题,采用自适应步长和添加全局信息两种策略,提出了一种改进的萤火虫优化(IGSO)算法。IGSO算法根据步长和萤火虫的移动方向对萤火虫算法收敛性的影响,在萤火虫移动过程中引入全局信息,采用随着迭代次数和搜索空间维数自适应变化步长的策略,来提高收敛性能。实验结果表明,该方法能够较好地对彩色图像进行分割,其性能优于基本的萤火虫优化(GSO)算法、改进的量子行为粒子群优化算法(CQPSO)和改进的细菌觅食算法(MBF)。     

基于细菌觅食优化算法的城市轨道交通调度优化

为了合理高效地制定城市轨道交通调度方案,实现客流与车次的优化配置,提出了一种基于细菌觅食优化算法的城市轨道交通调度优化策略。兼顾乘客与运营企业双方利益,以发车间隔为决策变量,乘客平均候车时间最短和发车次数最少为优化目标,建立调度优化模型,并对细菌觅食优化算法求解该调度模型的过程进行分析。结合某城市轨道交通一号线实际运营数据进行仿真实验,并与其他算法的优化结果进行对比分析,实验表明该算法和模型能有效解决城市轨道交通调度优化问题。     

融合差分进化和倒序变异扩展蚁群算法

为了克服扩展蚁群优化(ACO)容易出现早熟现象,提出在扩展蚁群每次进化后引入倒序变异和差分进化对新种群进行二次变异。通过倒序变异和差分进化(DE)算法计算的信息来影响扩展蚁群的进化进程,以保持群体的活性,实现全局优化的目的。数值试验结果表明新算法精度较高、鲁棒性较强。     

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。     

Hybrid BFOA–PSO algorithm for automatic generation control of linear and nonlinear interconnected power systems

In the bacteria foraging optimization algorithm (BFAO), the chemotactic process is randomly set, imposing that the bacteria swarm together and keep a safe distance from each other. In hybrid bacteria foraging optimization algorithm and particle swarm optimization (hBFOA–PSO) algorithm the principle of swarming is introduced in the framework of BFAO. The hBFOA–PSO algorithm is based on the adjustment of each bacterium position according to the neighborhood environment. In this paper, the effectiveness of the hBFOA–PSO algorithm has been tested for automatic generation control (AGC) of an interconnected power system. A widely used linear model of two area non-reheat thermal system equipped with proportional-integral (PI) controller is considered initially for the design and analysis purpose. At first, a conventional integral time multiply absolute error (ITAE) based objective function is considered and the performance of hBFOA–PSO algorithm is compared with PSO, BFOA and GA. Further a modified objective function using ITAE, damping ratio of dominant eigenvalues and settling time with appropriate weight coefficients is proposed to increase the performance of the controller. Further, robustness analysis is carried out by varying the operating load condition and time constants of speed governor, turbine, tie-line power in the range of +50% to ?50% as well as size and position of step load perturbation to demonstrate the robustness of the proposed hBFOA–PSO optimized PI controller. The proposed approach is also extended to a non-linear power system model by considering the effect of governor dead band non-linearity and the superiority of the proposed approach is shown by comparing the results of craziness based particle swarm optimization (CRAZYPSO) approach for the identical interconnected power system. Finally, the study is extended to a three area system considering both thermal and hydro units with different PI coefficients and comparison between ANFIS and proposed approach has been provided.     

一种新型的过程模型参数辨识方法

针对模型参数辨识问题,提出了一种基于菌群优化（BSFO）算法的模型参数辨识方法。通过将辨识参数设置为群体细菌在参数空闸的位置,并模拟细菌群体觅食的动态行为来实现对参数的寻优,有效地提高了参数辨识的精腰和效率。对火电厂热工过程参数辨识的仿真研究验证了本文算法的有效性,结果表明,菌群优化算法能够实现对过程模型参数的有效辨识,仿真结果令人满意。     

基于细菌觅食优化算法的WSNs节点部署策略

为了提高传感器节点的有效覆盖率,提出了一种基于细菌觅食优化(BFO)算法的节点部署策略。以网络覆盖率为目标函数,在细菌觅食算法的趋向操作过程中,引入碰壁策略,对细菌初始位置进行优化,从而提高算法的收敛速度。算法中的每个细菌都代表一只传感器,多个细菌组成的一个菌落代表一种传感器的部署方案。算法以菌落为单位做复制操作和迁徙操作,按照菌落适应度值大小选出较为优越的部署方案。通过仿真实验,分析了参数对算法性能的影响,并与其他方法的优化结果进行比较,结果表明:该算法有效地提高了传感器节点覆盖率。     

用于指数熵多阈值分割的改进细菌觅食算法

针对图像多阈值分割中阈值搜索是有序正整数规划的特点,提出了一种用于指数熵多阈值分割的改进细菌觅食优化(Improved Bacterial Foraging Optimization,IBFO)算法。首先,将标准的细菌觅食优化(Standard Bacterial Foraging Optimization,SBFO)算法的趋化算子改成动态趋化算子以增强趋化操作的自适应性;然后,将SBFO中的迁徙算子替换成混合随机和动态的迁徙算子,将迁徙过程划分为两个阶段,第一阶段为随机迁徙,目的是增强全局搜索能力,第二阶段为动态局部迁徙,目的是提高局部搜索能力;随后,丢弃SBFO中的感应机制以便加快运行速度;最后,将IBFO算法进一步修改以满足有序正整数规划的要求,并将其应用于指数熵多阈值分割方法中。图像分割实验结果表明,与SBFO,MBFO和IPSO算法相比,提出的IBFO方法不仅优化效果更好,而且运行速度更快。     

一种利用膜计算求解高维函数的全局优化算法

鉴于传统优化算法在求解高维多模态优化问题时存在收敛速度慢,求解精度低的缺点,针对上述问题提出了一种基于膜计算的优化算法。算法首先对高维空间进行分割,分割后每个子空间作为一个基本膜,基本膜区域中采用差分局部搜索策略提高算法的局部搜索能力和收敛速度。基本膜区域将局部最优解定时传送给表层膜。表层膜区域中采用全局搜索策略寻找全局最优解。通过对5个benchmark函数仿真验证,实验结果表明,该算法在收敛速度,求解精度和稳定性方面都有较大优势。