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.     

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。     

基于梯度粒子群算法的细菌觅食算法

针对细菌觅食算法在优化过程中环境感知能力较弱且容易陷入局部极值的缺陷,将梯度粒子群算法的基本思想引入细菌觅食算法中,改进原算法的收敛速度和收敛能力,并据此提出了基于梯度粒子群算法的细菌觅食算法GPSO-BFA。该算法既利用了细菌觅食算法出色的全局搜索能力,又借助梯度粒子群算法的快速局部寻优能力,很好地将两者的优势结合在一起。基于六个高维Benchmark函数的实验结果显示,该算法在收敛速度和精度方面都优于其他四种细菌觅食算法。     

基于细菌觅食机理改进粒子群算法的研究

粒子群算法与细菌觅食算法在优化问题中均体现了较好的性能,但由于各自特定的进化机制,也都存在缺点。粒子群优化（PSO）算法在优化过程中过快陷入局部极值,为了避免这个缺陷,提出了一种新的混合算法。通过PSO算法完成整个空间的全局搜索,通过细菌觅食算法（BFOA）中的趋向性运动算子完成局部搜索的功能,再通过典型函数进行测试,结果表明新算法可以有效弥补细菌觅食算法速度不快和粒子群算法精度不高的缺陷,同时部分地避免了局部收敛的问题,从而适用于解决复杂函数的优化问题。     

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。     

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。     

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PSO与对立学习的细菌觅食算法

为提高细菌觅食算法处理高维问题时的收敛速度及精度,提出一种基于粒子群优化算法和对立学习的细菌觅食算法PO-BFA.在种群初始化阶段采用对立学习取代随机初始化,在进化过程中利用对立学习进行种群动态跳跃,以提高算法的收敛速度,并以粒子移动代替细菌的趋化操作,由此省略细菌前进操作.基于6个高维Benchmark函数的实验结果...     

基于细菌觅食优化算法的多阈值图像分割

由于多阈值图像分割的时候,Otsu算法计算量过大的问题,提出了基于细菌觅食优化算法的多阈值图像分割方法。首先,将细菌觅食优化算法中趋化操作中的固定步长进行动态调整。其次将原算法迁徙操作中细菌的随机驱散改成正负一的操作。与Otsu算法相比较而言,改进后的算法计算量明显减小。实验结果表明,该算法能够更快速,更准确的实现多阈值图像分割。     

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．     

基于多种群量子粒子群优化的属性约简

现代工业发展要求迅速、可靠地实现故障诊断。针对粒子群约简算法易陷入局部最优等问题,提出了一种多种群量子粒子群优化算法（MIQPSO）。该算法对量子粒子群算法进行分群,并通过接种疫苗,指导粒子朝更优化方向进化,提高了量子粒子群的收敛速度和寻优能力。利用UCI相关数据集,通过对Hu算法、粒子群算法、量子粒子群算法、多种群量子粒子群算法的粗糙集属性约简验证,结果表明,基于多种群量子粒子群优化的约简算法具有良好的约简效果。     

群体智能优化算法

群体智能优化算法利用群体的优势,在没有集中控制并且不提供全局模型的前提下,为寻找复杂的分布式问题的解决方案提供了基础.介绍了两种群体智能算法模型:蚁群算法模型和粒子群算法模型,研究了两种算法的原理机制、基本模型、流程实现、改进思想和方法;通过仿真把蚁群算法与其他启发式算法的计算结果作对比,验证了蚁群算法具有很强的发现较好解的能力,不容易陷入局部最优;微粒群算法保留了基于种群的、并行的全局搜索策略,采用简单的速度-位移模型操作,在实际应用中取得了较高的成功率.     

群体智能优化算法

群体智能优化算法利用群体的优势,在没有集中控制并且不提供全局模型的前提下,为寻找复杂的分布式问题的解决方案提供了基础。介绍了两种群体智能算法模型:蚁群算法模型和粒子群算法模型,研究了两种算法的原理机制、基本模型、流程实现、改进思想和方法;通过仿真把蚁群算法与其他启发式算法的计算结果作对比,验证了蚁群算法具有很强的发现较好解的能力,不容易陷入局部最优;微粒群算法保留了基于种群的、并行的全局搜索策略,采用简单的速度-位移模型操作,在实际应用中取得了较高的成功率。     

基于群智能的新型反向混合差分进化算法

依据PSO和DE在函数优化方面所展现的优越性能,提出一种融合粒子群智能思想的新型反向混合差分进化算法(ODE-SI).本文分析这两种启发式方法之间的潜在联系,并在ODE-SI中不仅保留了粒子群智能思想中的经验记忆,而且应用了反向学习(opposition-based learning,OBL)操作促使演化生成过程的跃变,从而使算法具有较高的收敛速度和较好的种群多样性.此外,通过测试函数的仿真实验,本文将ODE-SI与其他DE和PSO算法进行比较.实验结果证实了新算法的高效性、通用性和稳健性.     

基于分布式估计算法的群体智能优化

为了更好地求解连续函数最优化问题,对基于正态分布的分布式估计算法进行改进,在原算法的基础上引入优势替换、竞争和模式搜索等机制。为了验证所提策略和算法的有效性,对所提出的5种改进算法进行比较,证明改进的策略模块是有效的,相比现有算法能够收敛到更好的解。对5种算法进行数值仿真,求出每种函数在不同测试函数下30次实验后的平均适应值,以及描述算法稳定性的若干统计量。最后基于数值仿真的结果,对改进效果进行分析讨论。     

基于萤火虫-粒子群混合算法的配棉优化研究

针对配棉问题,建立由原棉成本和质量控制成本组成的配棉目标函数,同时探讨了配棉约束条件,最终确立配棉数学模型。然后采用一种萤火虫-粒子群混合算法对配棉问题进行求解,仿真结果表明,该算法能高效解决自动配棉问题,并且优化效果较好。     

具有混合群智能行为的萤火虫群优化算法研究

萤火虫群优化算法是一种新型的群智能优化算法,基本的萤火虫群优化算法存在收敛精度低等问题。为了提高算法的性能,借鉴蜂群和鸟群的群体智能行为,改进萤火虫群优化算法的移动策略。运用均匀设计调整改进算法的参数取值。若干经典测试问题的实验仿真结果表明,引入混合智能行为大幅提升了算法的优化性能。     

基于混合粒子群算法的烧结配料优化

在引入惩罚函数和对目标函数进行适当修改的前提下,充分利用粒子群优化算法的全局搜索能力和约束条件下共轭梯度法的局部搜索能力,设计了烧结配料优化算法．利用惩罚函数方法将约束条件优化问题转化为无约束条件优化问题,然后利用粒子群优化算法进行寻优．当群体最优信息陷入停滞时将目标函数进行适当变化,继续利用共轭梯度法进行寻优．计算结果表明,采用该方法能够在提高混合料中的有用成分、降低有害成分的前提下,更多地降低生产成本．     

基于禁忌搜索的混合粒子群优化算法

在粒子群优化算法中引入禁忌搜索思想从而增加粒子群的多样性,改进惯性权重,添加罚函数重新构造适应度函数.在此基础上提出一种基于禁忌搜索的混合粒子群优化算法(THPSO).通过6个标准测试函数实验,结果表明提出的算法比基本粒子群优化算法(PSO)具有更好的全局寻优能力、更快的收敛速度以及获得更高精度的解的能力.     

混合分解的多目标粒子群优化算法

针对多目标粒子群算法全局最优值的选取缺陷以及多样性保留缺陷,提出了一种基于分解和拥挤距离的多目标粒子群优化算法(Smoeadpso).算法采用切比雪夫分解机制,将邻居向量对应的子问题的中的最优解来作为某个粒子全局最优值的候选解了更有效限制粒子飞行速度以避免粒子飞行超出解空间界限,引入了新的速度限制因子维持了种群多样性.本文算法与经典的多目标进化算法在10个测试函数上的对比结果表明, Smoeadpso求得的Pareto解集与真实Pareto解集的逼近程度有明显提升并且对于3目标问题求解的均匀性也比同类粒子群算法优秀.