细菌觅食优化算法的研究与改进

合集下载

细菌觅食优化的智能PID控制

ＨＵＡＮＧＷｅｆｎＬＩＷｅｘｎ，ＡＮＨｕｉｅｅ１ｎｅｌｅｔＩｉｅｇ，ＮｉｉｇＦａｋ，ｔａ．ｔｌｇｎＰＤｃｎｒｌｅｂｓｄｎａｔｒａｆｒｇｎｐｍｉａｉｎＩｉｏｔｏｒａｅｏｂｃｅｉｌｏａｉｇｏｔｚｔ．ｉｏ
ｂｅｎｔｅｏｔｌｐｏｒｓ，ｓｅｉｌｆｒｈｅｏｌｘｙｔｍ．ｒｅｔｓｌｅｔｅｐｏｌｍｓａｎｗｎｅｌｅｔＰＤｃｎｒｌｌｉｈｃｎｒｒｇｅｓｅｐｃａｌｏｔｃｍｐｅｓｓｅＩｏｄｒｏｏｖｒｂｅ，ｅｉｔｌｇｎＩｏｙｎｈｉｏｔｏ
宁波大学信息科学与工程学院，浙江宁波３５１１２１
ＦｃｌｆＩｆｒｔｎＳｉｎｅａｄＴｃｎｌｇ，ｎｂｎｖｒｉ，ｎｂ，ｈｊｇ３，ｈｎａｕｔｏｏｍａｏｃｅｃｎｅｈｏｏｙＮｉｇｏＵｉｅｓＮｉｇｏＺｅａ２Ｃｉａｙｎｉｙｔｉｎ１１５１
ＣｍｕｅｎｉｅｉｎＡｐｉａｉｎ计算机工程与应用ｏｐｔＥｇｎｒｇａｄｐｌｔｓｒｅｎｃｏ
细菌觅食优化的智能ＰＤ控制Ｉ
黄伟锋，林卫星，范怀科，史夏波，涛程
ＨＵＡＮＧｅｆｎＬＮｅｘｎＦＷｉｇ，ＩＷｉｉｇ，ＡＮａｋ，ＨＩＸｉｂ，ｅＨｕｉｅＳａｏＣＨＥＮＧａＴｏ
摘
要ｊ传统的ＰＤＩ在控制过程中，尤其针对复杂被控对象易产生振荡和较大的超调，甚至控制系统无法稳定，了解决这个问题，为采

基于改进细菌觅食算法的无功优化

基于改进细菌觅食算法的无功优化邓集瀚;杨俊杰【摘要】采用改进的细菌觅食(MBFO)算法求解电力系统无功优化问题,引入了步长递减的控制策略,改善了算法前期的全局搜索能力和后期的局部搜索能力;引入了SA-PSO变异算子,从而使个体可以相互交流,并从精英那里得到经验;引入遗传算法的交叉和赌盘选择,保护了精英个体,同时降低了解劣化的概率.以IEEE-30节点为例的算例结果表明,较其他几种优化方法而言,MBFO具有更快的收敛速度和更好的优化效果,故该算法在解决无功优化问题上可行且有效.【期刊名称】《上海电力学院学报》【年(卷),期】2016(032)002【总页数】8页(P167-174)【关键词】电力系统;无功优化;细菌觅食算法【作者】邓集瀚;杨俊杰【作者单位】上海电力学院电子与信息工程学院,上海200090;上海电力学院电子与信息工程学院,上海200090【正文语种】中文【中图分类】TM714.3;TP18电力系统无功优化指的是在满足所有约束条件的前提下,当系统拓扑结构和运行状况给定时,通过调节某些控制变量,从而改变系统的潮流分布,并使得某些性能指标最优.无功优化是最优潮流的一个分支,并且是一个典型的多变量、非线性、多约束的组合优化问题.现阶段求解无功优化问题的方法主要有经典方法和智能优化算法两种.经典方法的典型代表有梯度算法(Gradient Algorithm)、牛顿法(NEWTON Method)、内点法(Interior Point Method),该类方法的核心在于采用梯度信息进行寻优.智能优化算法具有较好的鲁棒性,并且对研究对象是否可微或可导不敏感,求解无功优化的智能优化算法有粒子群算法[1]、鱼群算法[2]、蚁群算法[3]、免疫算法[4]、差分进化算法[5]、细菌觅算法[6-10]等.细菌觅食(Bouterial Foraging Optimization,BFO)算法是由PASSION K M[11]提出的一种仿生算法,该算法跟其他智能优化算法同样存在容易陷入局部最优而早熟的不足.为提高细菌觅食算法的全局搜索能力,本文对该算法的趋化步长、群体感应机制、驱散操作进行了改进,形成了一种改进的细菌觅食(Modified Bacterial Foraging Optimization,MBFO)算法,并通过IEEE-30节点系统的算例分析验证了该算法的可行性和有效性.无功优化数学模型由目标函数、等式约束条件、不等式约束条件3部分组成. 1.1 目标函数本文以网损最小为目标,目标函数为:式中:Ui,Uj——节点i和节点j的电压幅值;cosθij——节点i和节点j间的相角差;Ploss——网损;gij——支路电导.将PQ节点电压和发电机无功功率通过罚函数引入目标函数,从而式(1)可改写为: 式中:Uilim,Qilim——当电压和发电机无功出力超过上下限时的设定值; Uimax，Uimin——电压幅值的上限和下限;Qimax，Qimax——发电机无功出力的上限和下限;Npq,Npu——PQ节点数目和PU节点数目;λ1,λ2——PQ节点电压越界和PU节点无功出力越界的惩罚因子.1.2 等式约束等式约束条件,即常规潮流方程:式中:Pi,Qi——节点i的注入有功功率和无功功率；Gij,Bij——线路的电导和电纳;N——总的节点数.1.3 不等式约束不等式约束由状态变量约束和控制变量约束构成.控制变量约束为:式中:UGi,KTi,QCi——发电机机端电压,变压器变比,补偿电容器容量;UGi,max,UGi,min——发电机机端电压的上限和下限;KTi,max，KTi,min——变压器变比的上限和下限;QCi,max,QCi,min——补偿电容器容量的上限和下限；NG——发电机数目;NT——变压器的数目;NC——补偿电容器数目.状态变量约束为:式中:QGi——发电机i的无功输出;QGi,max,QGi,min——发电机i的无功输出的上限和下限.根据文献[11]可知,BFO主要由驱化、聚群、复制、驱散(迁徙)4个部分构成。

一种改进的细菌觅食优化算法

一种改进的细菌觅食优化算法刘珍;孙京诰【摘要】针对细菌觅食优化算法存在收敛速度慢、寻优精度低、易陷入局部最优等缺点,提出了一种改进的细菌觅食优化算法.改进原有固定步长的游动方式,引入自适应步长调整策略,提出了基于非线性递减的余弦自适应步长;改进细菌位置的更新方式,借鉴人工蜂群的方法,采用混合的更新方式;改进优胜劣汰的选择标准,保留最优个体,对复制后的父代个体引入杂交算子;改进迁徙方式,提出种群进化因子,防止进化停滞不前.将本文算法用于经典函数以及PID参数整定测试,仿真实验结果验证了该算法的有效性.【期刊名称】《华东理工大学学报（自然科学版）》【年(卷),期】2016(042)002【总页数】8页(P225-232)【关键词】细菌觅食优化算法;自适应步长;位置更新方式;杂交算子;种群进化因子【作者】刘珍;孙京诰【作者单位】华东理工大学信息科学与工程学院,上海200237;华东理工大学信息科学与工程学院,上海200237【正文语种】中文【中图分类】TP27320世纪40年代以来,实际工程问题呈现出越来越多的复杂性,包括多极值、强非线性、多约束性和高维度等。

传统的优化方法已经不能解决诸多实际生产、生活中所面临的复杂问题,智能优化算法应运而生。

细菌觅食优化算法[1]作为一种新型的智能优化算法具有良好的全局优化能力、鲁棒性强以及算法简单等优点,受到了不同领域的关注[2-4]。

针对步长固定的问题,Chen等[5]提出了自适应搜索的细菌觅食优化算法;刘小龙等[6]提出了灵敏度的概念,对细菌的游动步长加以调节;Niu等[7-8]在验证了步长大小的选取对全局收敛的快速性和全局最优解的获得具有重要影响的基础上,提出了线性递减与指数非线性递减的自适应步长;Mishra[9]提出了基于TS模糊机制来选取最优步长。

算法融合方面,Biswas等[10]提出了一种基于差分算法和BFO(Bacterial Foraging Optimization)算法的混合全局优化算法,除此之外,与BFO算法相结合的算法还有粒子群算法[11]、遗传算法[12]等。

基于免疫进化细菌觅食算法的无功优化

基于免疫进化细菌觅食算法的无功优化李莹;简献忠;陈青【摘要】针对传统细菌觅食算法在优化过程中步长一致、收敛速度较慢的缺陷，提出了一种免疫进化细菌觅食算法（IBFO），并将其用于电力系统无功优化问题上。

这种改进的算法赋予了细菌对搜索空间的感知能力，利用灵敏度的概念来调节步长，加快收敛速度；将免疫算法中的克隆选择思想引入算法中，对精英细菌进行克隆、高频变异和随机交叉，提高收敛精度。

将 IBFO 算法在IEEE 14、IEEE 30节点标准测试系统中进行了无功优化仿真，结果表明：新算法较其它算法具有较强的全局搜索能力，且收敛速度快、鲁棒性好，可以作为求解电力系统无功优化问题的一种新途径。

%According to the drawbacks of the unchanged swim step and slow velocity in the bacterial foraging algorithm,a bacterial foraging optimization algorithm based on immune algorithm (IBFO)was introduced in reactive power optimization.The IBFO gives bacteria the ability of context-aware,and increases the convergence speed by using the sensitivity to adjust the group swim step.The idea of clonal selection in immune algorithm was introduced in bacterial foraging, and the bacterial cloning,high-frequency variation and random crossover of the elite group were achieved so as to increase the accuracy of convergence.The IBFO was implemented on the IEEE 14 bus and IEEE 30 bus system.The results show that the new algorithm has stronger global optimal searching ability,faster convergence rate and better robustness compared with other optimization algorithms.Therefore,as a new approach,it can solve the problem of reactive power optimization in power systems.【期刊名称】《上海理工大学学报》【年(卷),期】2014(000)003【总页数】5页(P245-249)【关键词】电力系统;无功优化;免疫进化;细菌觅食【作者】李莹;简献忠;陈青【作者单位】上海理工大学光电信息与计算机工程学院，上海 200093;上海理工大学光电信息与计算机工程学院，上海 200093;上海理工大学光电信息与计算机工程学院，上海 200093【正文语种】中文【中图分类】TM714.3;TP301.6近几年，提出了很多人工智能算法用以求解电力系统无功优化问题，主要包括遗传算法［1］、粒子群算法［2］、混沌算法［3］等，以及以上几种算法相互取长补短的混合算法［4］．人工智能算法积极且广泛地用于电力系统无功优化，并取得了一些成果，但还是存在或容易陷入局部最优解或收敛速度慢的缺点．针对传统细菌觅食算法在优化过程中步长一致、收敛速度较慢的缺陷，提出进化细菌觅食算法．通过赋予细菌以灵敏度来感知个体极值和全局极值的差异，使得细菌自适应调节游动步长，以适应环境，同时，将免疫算法中的克隆选择思想引入趋化操中从而使搜索速度和精度有了极大的提升［5］．并将IBFO算法运用到无功优化上，在IEEE14、IEEE30节点系统中进行了仿真验证，并与改进粒子群算法（SPSO）及粒子群和细菌觅食混合算法（PSOBFO）进行比较，结果表明了IBFO算法能更有效地解决电力系统无功优化问题．1.1 目标函数通常情况，电力系统无功优化是从经济性的角度出发，以网损最小为目标，由于在优化过程中，常常会出现状态变量越限的情况，所以采用罚函数的形式制定目标函数为式中，f为目标函数；Ploss为系统有功网损；λV，λQ为惩罚因子；NB为系统总节点数；NPQ为PQ节点总数；Ng为发电机节点总数；Gij为节点i，j之间的电导值；δij为电压相角差；Vi，Qi为节点i的电压幅值和无功出力；Vi，lim，Qi，lim为节点i的电压和无功的限值；Vi，max，Vi，min为节点电压Vi的上限和下限；Qi，max，Qi，min为发电机的无功出力Qi的上下限．1.2 等式约束等式约束是指有功功率与无功功率保持平衡的条件，即功率平衡方程式中，Pi，Qi为给定节点i的有功和无功；Bij为节点i，j之间的电纳值；N0为除平衡节点外的总节点数．1.3 不等式约束不等式约束条件指控制变量的约束条件与状态变量的约束条件．a.控制变量约束式中，NT为可调变压器的节点数；NC为无功补偿装置的节点数；Vgi为发电机的机端电压；Ti为可调变压器变比；Qci为无功补偿装置容量．b.状态变量约束式中，Qgi为发电机无功出力；Vdi为PQ节点电压．2.1 细菌觅食优化算法细菌觅食优化算法（BFO）是Passina于2002年基于细菌觅食行为而提出的一种仿生随机搜索算法，通过趋化、繁殖和驱散3个主要算子进行迭代优化，在BFO 算法中，趋化过程有两种基本行为：翻转和游动［6］．经过一定周期的食物搜索后，为了提高搜索效率，按照细菌个体适应值的优劣进行排序，适应度较差的半数细菌淘汰，为了维持种群规模，适应度较好的一半进行自我复制，用以替代淘汰的半数细菌．经过一定周期的繁殖后，为了降低陷入局部最优的概率，BFO算法引入驱散操作，以一定的概率将其随机驱散到搜索空间，从而使算法的全局搜索能力增强．2.2 免疫算法Mori等［7］提出了免疫算法；Forrest等［8］使用T细胞的自体-非自体识别思想提出了否定选择算法；Castro等［9］提出了克隆选择算法（clonalselection algorithm，CSA），该算法不考虑抗体（群体）之间的亲和度（适应度），只关注抗体和抗原的亲和度，由于算法的高记忆和极强搜索能力，在模式识别和优化领域得到了广泛的应用．2.3 基于免疫进化的细菌觅食改进算法目前，免疫算法的研究主要基于免疫网络、否定选择和克隆选择．本文借鉴免疫算法中的克隆选择思想，并将其引入细菌觅食优化算法的繁殖过程中，进行克隆选择性繁殖，从而提高收敛的速度和精度．在驱散操作中，能量较低的部分细菌进行驱散，这将保留种群内的优秀个体，进而改善细菌的全局寻优能力．改进算法的流程图如图1所示．2.4 实现算法的基本流程IBFO算法的主要步骤：a.对细菌种群进行初始化操作．b.对细菌种群进行趋化操作．（a）产生单位向量ψ（j），细菌执行翻转操作．（b）改善细菌种群位置．细菌个体按照灵敏度进行群游，当适应度不再增强时，则操作结束，灵敏度定义为其中，Delta定义为灵敏度算子，其大小由适应度函数的变化范围决定．细菌群游式为①按照式（11）首先将适应度标准化．然后按照式（12）计算精英细菌的克隆繁殖个数Sc_size，这将使适应度越强的细菌个体形成的克隆群体越多，其中β是度量细胞抗体、抗原之间亲和度的递增函数．②按照式（13）执行高频变异操．其中δ是变异概率，如果细菌个体的适应度越强则变异概率越大，进而搜索空间越广．③按照式（15）执行随机交叉操作，其中k1，k2，k3，k4为克隆群体中随机选取且互不相同的细菌个体．产生Si个免疫细胞，按照式（16）注入到克隆群体中，形成克隆繁殖细菌群Sn．④从克隆繁殖细菌群Sn中，选出适应度最强的Sr个细菌个体，取代适应度较差的半数细菌个体．d.细菌驱散，为了使算法的全局搜索能力增强，按照驱散概率对适应度差的细菌进行驱散操作．e.循环结束判断，满足结束条件则循环结束，输出结果．2.5 IBFO在无功优化中的应用无功优化的控制变量对应于细菌在搜索空间中的位置，其中包括发电机机端电压V （连续变量）、有载调压变压器变比T（离散变量）和无功补偿量Q（离散变量）．细菌个体的空间搜索（维数）对应每个控制变量，具体的算法流程如图2所示（见下页）．式中，j为趋化周期．c.细菌繁殖再生．完成趋化操作后，对当前细菌群体进行克隆、变异、交叉及选择．（a）细菌按照适应度累加和进行排序，适应度强的Sr个细菌为精英细菌，形成待克隆群体．其中，Sr＝S／2为群体个数的一半．（b）对精英细菌进行克隆繁殖操作，形成克隆群体Sc，即使用Matlab进行无功优化仿真计算，分别对IEEE 14节点和IEEE 30节点系统进行仿真来验证IBFO算法的优化效果，采用Matlab进行无功优化计算．IEEE 14系统共有14个节点，20条支路，5台发电机，3台可调变压器以及1个并联补偿电容器节点，IEEE 30系统共有30个节点，41条支路，6台发电机，4台可调变压器以及2个并联补偿电容器节点，系统节点参数和支路参数参见文献［10］．基准功率为100 MVA．对于IEEE 14系统群体规模为30，SPSO与PSOBFO最大迭代次数为30；在IBFO算法中，趋化算子次数Nc＝5、繁殖算子次数Nre＝3、迁移算子次数Ned ＝2，算法共计循环了NcNreNed＝30次，这样方便与前两次算法进行比较．表1和表2分别为优化结果及优化后各控制变量的值．图3为IEEE 14系统采用不同算法的收敛曲线图．对于IEEE 30系统，群体规模为30，SPSO与PSOBFO最大迭代次数为70；在IBFO算法中，Nc＝7，Nre＝5，Ned＝2，算法共计循环了NcNreNed＝70次，这样方便与前两次算法进行比较．表3和表4分别为优化结果及优化后各控制变量的值．图4为IEEE 30系统采用不同算法的收敛曲线图．从表1和表3不难看出，IBFO算法得到的系统网损平均值分别为0．122 8和0．051 5，网损平均下降率分别为12．95%和16．31%，该结果明显优于其它两种算法．从计算结果的网损最大值、最小值以及平均值可以看出，IBFO算法不仅具有搜索高质量最优解的能力，且具有较强的稳定性．图3和图4也清楚的表明SPSO算法分别在迭代次数为15和38次时曲线才开始趋于平稳，PSOBFO算法分别在迭代次数为19和31次时曲线才开始趋于平稳，而IBFO算法分别在迭代次数为10和18次时曲线开始趋于平稳并逐渐收敛，其效率明显高于其它两种算法．由此可以得出IBFO算法相对于其它两种算法具备更快的收敛速度以及更加稳定的运行特性，显示了该算法寻优的有效性和优越性．提出基于免疫进化的细菌觅食算法并将其用于电力系统无功优化中．通过对IEEE 14节点和IEEE 30节点算例的计算分析表明，相比其它两种算法，本文所提算法具有具有高效、快速、稳定等优点，通过有效降低系统有功网损和改善电压分布，达到节能降耗、提高电能质量的目的．因此，该算法可以作为一种新途径用于求解电力系统无功优化问题，值得进一步在理论和实践上加以探索和研究．【相关文献】［1］何禹清，彭建春，文明，等．基于改进遗传算法的配电网动态无功优化［J］．湖南大学学报，2010，37（3）：38 -43．［2］张文，刘玉田．自适应粒子群优化算法及其在无功优化中的应用［J］．电网技术，2006，30（8）：19-24．［3］赵涛，熊信银，吴耀武．基于混沌优化算法的电力系统无功优化［J］．继电器，2003，31（3）：20-25．［4］张利生，马安，叶卫华．基于变尺度混沌理论与免疫遗传算法的电力系统无功优化［J］．电网技术，2008，32 （20）：77-80．［5］刘小龙，赵奎领．基于免疫算法的细菌觅食优化算法［J］．计算机应用，2012，32（3）：634-637，653．［6］杨大炼，李学军，蒋玲莉．一种细菌觅食算法的改进及其应用［J］．计算机工程与应用，2012，48（13）：31 -34．［7］ Mori K，Tsukiyama M，Fukuda T．Immune algorithm with searching diversity and its application to resource allocation problem［J］．Transactions-Institute of Electrical Engineers of Japan，1993，113C（10）；872 -878．［8］ Forrest S，Perelson A S，ALLEN L．Self-nonself discrimination in a computer［C］∥IEEE Symposium on Research in Security and Privacy．Piscataway：IEEE Press，1994：202-212．［9］ Castro L N，Zuben F J．Artificial immune system：Part I：basic theory and applications［R］．Campinas：State University of Campinas，School of Computing and Electrical Engineering，1999．［10］张伯明，陈寿孙，严正．高等电力网络分析［M］．2版．北京：清华大学出版社，2007．。

基于遗传-细菌觅食组合算法的非线性模型优化

基于遗传-细菌觅食组合算法的非线性模型优化李亚品;邹德旋;段纳【摘要】文中提出一种遗传-细菌觅食组合优化算法以解决非线性模型优化问题.该方法先使用遗传算法进行全局搜索,并缩小最优解的搜索范围;再使用细菌觅食优化算法在该局部范围内执行局部搜索.这种组合搜索策略可以增强算法的收敛性,并能有效地均衡全局搜索和局部搜索.文中利用单峰、多峰和复杂多峰等非线性函数模型验证所提算法的性能.实验结果表明,组合算法的计算精度和效率分别比遗传算法和细菌觅食优化算法提高了30％和50％,表明该组合算法具有更快的收敛速度,更高的求解精度,适用于大规模多极值的非线性问题.【期刊名称】《电子科技》【年(卷),期】2019(032)005【总页数】5页(P16-20)【关键词】遗传优化;细菌觅食优化;组合算法;全局搜索;局部搜索;非线性模型【作者】李亚品;邹德旋;段纳【作者单位】江苏师范大学电气工程及自动化学院,江苏徐州221116;江苏师范大学电气工程及自动化学院,江苏徐州221116;江苏师范大学电气工程及自动化学院,江苏徐州221116【正文语种】中文【中图分类】TP18;TP301遗传算法(Genetic Algorithm，GA)是一类借鉴生物界进化规律演化而来的随机化搜索方法，已经广泛应用于各行各业。

细菌觅食优化(Bacterial Foraging Optimization，BFO)算法是Passino教授在2002年通过模拟大肠杆菌觅食这一仿生学行为所建立的一种优化算法[1]，距今只有十几年时间，研究成果与应用案例较少，国内外对其研究尚处于初始阶段。

对于大型多极值的非线性优化问题，采用遗传算法通常计算速度较慢，计算结果不够精确。

学者们针对这些缺陷进行了广泛的研究，提出了很多改进措施。

邹彦艳等引入了分裂算子来避免遗传算法在寻优过程中陷入局部最优解[2]；王婷等对适应度作了标定，解决了异构多无人机任务分配问题[3]；祝慧灵等基于改进的遗传算法建立了集装箱船舶全航线配载优化模型[4]；雷伟军等基于数控加工问题的特点，提出了一种适用于多模型加工路径规划问题的遗传算法[5]；任乃飞等在标准遗传算法的基础上引入模拟退火算法的Boltzmann 生存机制，将混合遗传算法用于协同制造系统的调度问题[6]；王丽萍等提出了均匀自组织映射遗传算法，弥补了其抽样过于随机的问题[7]；王飞平等改进遗传算法编码、初始种群生成、突变步骤来优化 TTCAN 系统矩阵[8]；郑史雄等在传统遗传算法的基础上引入最小二乘的思想，解决了二维耦合颤振问题[9]。

细菌觅食机制粒子群优化算法

细菌觅食机制粒子群优化算法程军;吴燕子【摘要】针对基本粒子群优化算法易陷入局部极值的缺陷，提出了一种细菌觅食机制粒子群优化算法。

其基本思想是在粒子群优化算法中引入细菌觅食行为机制，提高PSO算法跳出局部极值的能力，借以改善PSO算法的寻优性能。

采用标准测试函数的实验结果表明，该算法在收敛速度和求解精度方面均有显著改进。

%A novel particle swarm optimization algorithm based on bacterial foraging mechanism ( PSOBF ) is proposed for conventional particle swarm optimization algorithms ( PSO) often trapped in local optima.The basic idea is to introduce the bacterial foraging mechanism into particle swarm optimization algorithm to improve the ability of PSO algorithm.The experimental results of six benchmark functions demonstrate the efficacy of the present algorithm.【期刊名称】《广州航海高等专科学校学报》【年(卷),期】2015(000)002【总页数】4页(P36-39)【关键词】粒子群优化算法;细菌觅食;机制【作者】程军;吴燕子【作者单位】广州航海学院港口与航运管理系，广东广州510725; 华南理工大学工商管理学院，广东广州510640;广州航海学院港口与航运管理系，广东广州510725【正文语种】中文【中图分类】TP18由Kennedy和Eberhart[1]在1995年提出的粒子群优化算法(Particle Swarm Optimization, PSO)，对参数搜索空间没有如连续、可导及单峰等苛刻的要求，因此在众多经济管理、工程技术等实际问题中获得了成功的应用[2]．针对PSO容易陷入早熟或不熟的缺陷，改进的途径主要表现在粒子群初始化、拓扑结构设计、参数选择、与其他智能算法混合等方面[3]．近年来，将生物觅食机制融入PSO算法为改进PSO算法的性能提供了新途径．王联国等[4]将人工鱼群算法中的改进觅食算子引入基本PSO算法，提出了一种具有觅食算子的PSO算法，改善算法的全局优化能力及提高算法的收敛速度和计算精度；刘伟等[5]提出基于细菌觅食机制改进粒子群算法，采用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．本文在现有研究的基础上根据细菌觅食行为规律，提出一种基于细菌觅食机制的粒子群优化算法PSOBF(particle swarm optimization based on bacterial foraging mechanism)，我们将细菌觅食机制嵌入PSO，构造PSOBF算法模型，其主要思想是在粒子群优化算法中引入细菌觅食行为，提高PSO算法跳出局部极值的能力，借以改善PSO算法的寻优性能．标准测试函数的实验结果表明该算法收敛速度快，求解精度高．微生物领域针对大肠杆菌(E. Coli)的研究发现，细胞膜、细胞壁、细胞质和细胞核是大肠杆菌的基本组成部分，在大肠杆菌的周围分布着纤毛和鞭毛，纤毛是一种突起状的细胞，能通过运动为细菌传递信息，鞭毛是菌体上细长而且弯曲的丝状物，作为细菌的运动器官，其功能是帮助细胞进行移动[6]．大肠杆菌在适宜的环境中生存和进化，其繁殖过程是在自身长到一定长度后，在身体的中部进行裂变一分为二，形成两段构成新的个体．大肠杆菌在觅食的过程中表现出一定的记忆能力，实现对所经过的环境状态的记忆，帮助其在觅食过程中往食物源方向靠近，并且避开有毒物质．在大肠杆菌趋向食物方向移动的过程中，会对每次经过的状态进行评价，提供相应的信息帮助其采取有效的措施进而改变下一步的状态[7]．大肠杆菌的生存环境会因为各种因素的影响而改变，这些因素包括来自细菌自身的活动，如大肠杆菌消化食物导致其周围环境的改变，也包括来自外界环境的变化，如细菌生存环境温度的急剧上升可以导致该环境下细菌的死亡，水的冲刷作用将细菌从一个环境迁移到另外一个新的环境．进一步的研究发现，在细菌群落中存在一种能进行信息交流的群体感应机制，细菌通过自身产生的小信号分子进行群体通信，我们将这种物质称为“自我诱导物”．细菌根据自我诱导物数量的多少来判断细菌邻域的群体密度，采取相应的措施来调整其生理行为[8]．细菌通过群体感应机制来判断邻域内的其他细菌数量，当细菌所处的环境中自我诱导物浓度较低时，细菌无法感应到其他细菌的存在；当一定数量的细菌聚集在某个区域，会导致自我诱导物浓度增加并达到一定的阈值，细菌会被该区域所吸引，这时的自我诱导物就成为一种吸引剂；当细菌数量在该区域继续增加时，自我诱导物质的浓度会进一步增强，当自我诱导物浓度增加到超过了某个阈值时，细菌会释放出另外一种用来阻止细菌过度聚集的自我诱导物，我们称之为排斥剂．细菌在觅食过程中，通过翻转(tumble)和游动(run)向营养丰富的区域靠近，而群体内存在细菌相互影响和作用的机制，借助趋化(chemotaxis)、繁殖(reproduction)和迁移(elimination-dispersal)等功能，实现最优化的觅食[9]．在细菌的生命周期中，按照优胜劣汰、适者生存的自然法则进行繁殖，细菌作为低等生物，具有很强的环境适应能力和繁殖能力．Passino采用非常规的觅食策略构造了细菌觅食算法，将细菌能量定义为趋化过程中细菌适应度值的累加和，在生命周期内根据细菌能量的优劣来更新种群，具体做法是将能量较好的一半细菌进行繁殖一分为二，新的细菌继承了原始细菌的位置、移动步长和能量等生物特性，而将能量较差的一半细菌淘汰[10]．PSO在拥有原理简单、容易操作等优点的同时，还存在一些无法克服的缺陷，比如进化过程中群体多样性的减少、缺乏有效的机制跳出局部极值导致算法“早熟”．鉴于细菌觅食过程中表现出的优良特性，我们将细菌觅食机制嵌入PSO，构造PSOBF算法模型，其主要思想是在粒子群优化算法中引入细菌觅食行为，提高PSO算法跳出局部极值的能力，借以改善PSO算法的寻优性能．PSOBF算法的主要步骤如下：步骤1：在初始化范围内对粒子群的位置和速度进行非对称初始化．步骤2：计算所有粒子的适应度值，将粒子的当前位置设置为个体历史最好位置，将所有粒子适应度值最优的位置作为全局最优．步骤3：判断迭代次数是否小于设定值，是则进入下一步，否则转入步骤8．步骤4：采用更新公式更新粒子的速度和位置．步骤5：重新计算粒子的适应度值，将结果与个体的历史最优值比较，如果更优，则将该粒子现在的位置作为新的个体最优值点．步骤6：将粒子的个体历史最优与群体最优值进行比较，若更优，则将其作为当前全局最优位置．步骤7：计算能量值，当其满足条件时发生繁殖，能量值较好的个体繁殖出个体，取代能量值较差的个体，转入步骤4．步骤8：输出结果．3.1 测试函数本文选取智能优化中6个常用的测试函数进行分析，详细描述见表1．其中,f1，f2是单峰函数,f3-f6属于多峰函数. 在表1中给出每个函数的表达式、搜索范围以及初始化范围．3.2 实验参数设置依然选择前述的f1～f6共6个标准测试函数进行仿真实验，每个标准测试函数的初始化参数设置见表1．将测试函数的维数设置为D=30，种群的粒子数量设置为n=80，采用非对称初始化将初始化的范围确定在搜索空间的一部分，对SPSO，PSOPB，PSOBF的速度上下限设置为Vmax=Ud，Vmin=Ld，参数设置依据文献[11]选取，ω=0.729，c1=c2=2.05，仿真实验的测试平台采用Windows 7系统，仿真软件matlab 7.0，实验设置的最大迭代次数为6 000次，每个实验独立运行50次．3.3 实验结果与分析将3种粒子群算法对6个测试函数分别独立运行50次，最大迭代次数为6 000，得到的实验结果如表2所示．表2中给出了各函数对每种算法独立测试50次结果的最佳值、最差值、平均值、标准差、计算所耗费时间5个指标衡量．从表2和计算过程可以看出：对于单峰函数f1，PSOBF比SPSO和PSOPB具有更快的收敛速度和更高的搜索精度，计算时间也比较节省；对于单峰函数f2，PSOBF和PSOPB在搜索后期的收敛速度要优于SPSO，PSOBF和PSOPB在寻优性能方面各有优劣，但总体相差不大；对于多峰函数f3，在搜索过程的早期PSOBF的收敛速度优于PSOPB，但在搜索后期PSOBF的收敛速度有所减缓；对于多峰函数f4，PSOBF的整体寻优性能略优于PSOPB；对于多峰函数f5，PSOBF的收敛速度优于SPSO，但比PSOPB的寻优性能略微逊色；对于多峰函数f6，PSOBF的收敛速度要明显优于PSOPB和SPSO．本文构建了一种基于细菌觅食机制的改进粒子群算法(PSOBF)．该算法将细菌觅食机制嵌入PSO进而构造PSOBF算法模型，在粒子群优化算法中引入细菌觅食行为，利用细菌觅食过程中表现出的优良特性来提高PSO算法跳出局部极值的能力，以实现改善PSO算法的寻优性能．实验结果表明该方法在收敛性方面有显著改进．【相关文献】[1] KENNEDY J, EBERHART R C. Particle Swarm Optimization[C]//Proceedings of the IEEE International Conference on Neural Networks IV. Piscataway:IEEE, 1995: 1942-1948.[2] 谢晓锋, 张文俊, 杨之廉. 微粒群算法综述[J]. 控制与决策, 2003, 18(2): 129-133.[3] ANGELINE P J. Using selection to improve particle swarm optimization[C]//Proc of IEEE World Congress on Computational Intelligence. Anchorage:IEEE, 1998: 84-89.[4] 王联国, 洪毅, 赵付青. 基于觅食算子的粒子群优化算法[J]. 计算机应用与软件, 2009, 26(11): 112-115.[5] 刘伟, 陈舒, 王圣慧, 等. 基于细菌觅食机制改进粒子群算法的研究[J]. 系统仿真技术, 2012, 8(1): 23-26.[6] ALBERTS B, BRAY D, LEWIS J, et al. Watson. Molecular Biology of the Cell [M]. New York:Garland Publishing, 1989: 902-903.[7] BERG H. Motile behavior of bacteria [J]. Phys. Today，Jan, 2000(1): 24-29.[8] 李任峰，何启盖，周锐，等. 细菌鞭毛研究概况及进展[J]. 微生物学通报，2005，32(6)：124-127.[9] 刘小龙，李荣钧，杨萍. 基于高斯分布估计的细菌觅食优化算法[J]. 控制与决策，2011，26(8)：1233-1238.[10] PASSINO K M. Biomimicry of Bacterial Foraging for Distributed Optimization and Control [J]. IEEE Control Systems, 2002, 22(3): 52-67.[11] 常先英. 粒子群优化算法的改进及应用[D]. 广州：华南理工大学，2009.。

基于模拟退火策略的细菌觅食优化算法

ＩＳＳＮ１００９－３０４４
Ｅ — ｍａｉｌ：ｅｄｕｆ＠ｄｎｚｓ．ｎｅｔ．ｃｎｈｔｔｐ：Ｈｗｗｗ．ｄｎｚｓ．ｎｅｔ．ｅｎＴｅｌ：＋８６ — ５５１－６５６９０９６３６５６９０９６４
ｂｉｌｉｔｙ，ｅａｓｉｌｙｔｏｔｒａｐｉｎｔｏｌｏｃａｌｅｘｔｒｅｍｕｍ，ｐｒｏｐｏｓｅｓａｂａｃｔｅｒｉａｆｏｒａｇｉｎｇｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎｇａｔｒａｔｅｇｙ
ＴｈｅＢａｃｔｅｒｉａＦｏｒａｇｉｎｇＯｐｔｉｍｉｚａｉｔｏｎＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＳｉｍｕｌａｔｅｄＡｎｎｅａｌｉｎｇＳｔｒａｔｅｇｙ
ｍａｎｃｅｔｈａｎｔｈｅｓｔａｎｄａｒｄｂａｃｔｅｒｉａｆｏｒａｇｉｎｇｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ．Ｋｅｙｗｏｒｄｓ：ｂａｃｔｅｒｉａｆｏｒａｇｉｎｇｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ；ｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎｇ；ｐｒｏｂａｂｉｌｉｔｙｋｉｃｋ；ｐｒｅｃｉｓｉｏｎ；ｓｔａｂｉｌｉｔｙ

人工智能-仿生学算法

细菌觅食算法一、基本概念细菌觅食算法是基于大肠杆菌在觅食过程中体现出来的智能行为的一种仿生优化算法，其具有群体智能性、并行性等特点．细菌觅食算法包括趋化操作、复制操作和迁徙操作．这３种操作方式是模仿细菌觅食的趋向行为、复制行为和迁移行为的抽象（1）趋化操作大肠杆菌在寻找食物源的过程中，其运动是通过表层的鞭毛实现的．当鞭毛全部逆时针摆动时，大肠杆菌将会向前行；当鞭毛全部顺时针摆动时，它会减速至停止．鞭毛的摆动对应着细菌个体对当前适应值的判断，并决定是否对其位置进行调整和确定调整的方向和力度．设p^i(j,k,l)表示细菌个体i的当前位置，j表示第J次趋化行为，K表示第次复制行为，l表示第次迁徙行为.则p^i(j+1,k,l)=p^i(j,k,l)+c(i)φ(j),其中，φ(j)表示游动的方向；c(i)表示前进步长．（2）复制操作设群体规模为Ｓ，在完成设定次数的趋向操作之后，将群体中的个体按照其适应度值进行排序，将排在后面Ｓ／２的个体删除，剩下的个体进行自我复制，保证群体规模的稳定性。

（3）迁徙操作迁徙操作按照预先设定的一个概率发生，若某一个个体满足迁徙操作发生的条件，那么即将此个体删除，并生成一个新的个体代替．相当于将原来个体重新分配到一个新的位置。

二、算法改进1、初始化操作改进在细菌觅食算法中，细菌种群的大小直接影响细菌寻求最优解的能力．种群数量越大，其初始覆盖区域越大，靠近最优解的概率就越大，能避免算法陷入局部极值，但同时增加了算法的计算量．确定群体规模Ｓ之后，将群体搜索的空间分成Ｓ个区域，每个细菌个体的初始位置为Ｓ个区域的中心点，随即细菌将在各自区域内搜索2、趋化操作改进基本细菌觅食算法在进行趋化操作时，细菌个体是根据历史信息按固定步长朝着食物源方向游动．在解决连续函数优化问题，尤其是多峰函数优化问题时，传统的操作方式易使得细菌个体错过最优解，本文对趋化搜索方式进行了改进．将细菌个体所在区域切分为ｎ×ｎ块，每个细菌在进行翻转操作时，仅在细菌周围的８个方向中随机选取，游动过程中每游动一次前进步长缩短为原来步长的0.8倍，C(i)=0.8c(i)当细菌个体游动次数并未达到设定游动次数时，细菌将再进行一次翻转操作．趋化操作步骤：（1）确定细菌个体i，确定游动方向φ(j)（2）细菌游动p^i(j+1,k,l)=p^i(j,k,l)+c(i)φ(j)ｃ．（3）判断当前位置是否更优，是则个体i被新个体取代，继续步骤（2），步长C(i)=0.8c(i)．（4）判断是否达到设定游动次数，未达到转步骤（1）达到游动次数细菌个体i趋化操作结束．3、复制操作改进细菌觅食过程中，一段时间后，细菌会根据个体位置的适应度值进行优劣排序。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

细菌觅食优化算法的研究与改进
细菌觅食优化算法的研究与改进
随着计算机科学和生物学的不断发展，人们开始探索将生物现象与计算机算法相结合，以寻找新的问题解决方法。

在这个过程中，细菌觅食优化算法应运而生。

细菌觅食优化算法模拟了细菌在寻找食物的过程，通过模仿细菌的行为，通过进化算法来优化问题的解决方案。

本文将探索细菌觅食优化算法的研究与改进，以及其在实际问题中的应用。

一、细菌觅食优化算法的基本原理
细菌觅食优化算法灵感来源于真实世界中细菌的群体觅食行为。

细菌觅食过程主要包括趋化运动、荧光成像和滞留趋化三个阶段。

在趋化运动阶段，细菌通过运动来寻找食物。

荧光成像阶段主要是细菌根据环境中剩余食物的浓度情况进行判断，以便向食物浓度高的区域聚集。

在滞留趋化阶段，细菌会在食物附近停留，直到找到食物。

细菌觅食优化算法主要包括三个步骤：初始化种群、选择操作和更新种群。

首先，根据问题的维度和范围，初始化一定数量的细菌个体。

每个细菌个体都有一个状态向量和一个适应度值。

然后，根据每个细菌的适应度值，选择一定数量的细菌进行进化。

进化的过程包括变异和交叉操作，以获得新的细菌个体。

最后，根据进化后的细菌个体来更新种群，并继续下一轮的进化。

通过多轮的进化，细菌个体的适应度值逐渐提高，找到最优解的几率也会增加。

二、细菌觅食优化算法的改进方向
尽管细菌觅食优化算法在一些问题上取得了不错的结果，但在一些复杂问题上仍然存在一些局限性。

为了进一步提高算
法的性能，需要对算法进行改进。

以下是几个改进方向：
1. 改进选择操作
目前细菌觅食优化算法中的选择操作通常是基于轮盘赌选择，即根据细菌的适应度值来进行选择。

但这种方法可能导致一些细菌个体被选择过多或过少，从而影响算法的进化效果。

因此，可以考虑引入其他选择操作，如锦标赛选择、随机选择等，通过不同的选择策略来增加算法的多样性。

2. 引入多种变异操作
目前细菌觅食优化算法的变异操作通常是随机生成一个新的状态向量。

然而，这种简单的变异操作可能导致搜索空间的局部极值。

为了避免这种情况，可以引入多种变异操作，如交换、倒序等，通过不同的变异操作来增加算法的多样性，并提高算法找到全局最优解的几率。

3. 考虑细菌群体的新陈代谢过程
细菌觅食过程中，细菌不仅会寻找食物，还会进行一些新陈代谢过程，以保持自身的活力。

目前细菌觅食优化算法主要关注细菌的运动和变异，但忽视了细菌的新陈代谢过程。

可以考虑引入新陈代谢过程，如抑制和激活过程，以使算法更贴近真实的细菌行为。

三、细菌觅食优化算法的应用
细菌觅食优化算法在实际问题中具有广泛的应用，以下是几个典型应用：
1. 优化问题
细菌觅食优化算法可以应用于各种优化问题，如组合优化问题、约束优化问题等。

通过模拟细菌的觅食行为，可以得到优化问题的较好解决方案。

2. 图像处理
细菌觅食优化算法可以应用于图像处理领域，如图像分割、图像增强等。

通过模拟细菌的聚集行为，可以将相似的像素点聚集在一起，从而实现图像分割等任务。

3. 神经网络训练
细菌觅食优化算法可以应用于神经网络的训练过程中，通过优化神经网络的权重和偏置，从而改善神经网络的性能。

综上所述，细菌觅食优化算法是一种模仿细菌觅食行为的优化算法。

虽然该算法已经在一些问题上取得了一定的成功，但仍然有一些改进的空间。

通过改进选择操作、引入多种变异操作、考虑细菌群体的新陈代谢过程等方式，可以进一步提高算法的性能。

此外，细菌觅食优化算法在优化问题、图像处理、神经网络训练等领域有广泛的应用前景。

细菌觅食优化算法的研究与改进将会为解决实际问题提供新的思路和方法
细菌觅食优化算法是一种模拟细菌觅食行为的优化算法，在实际问题中具有广泛的应用前景。

通过模拟细菌的觅食行为，该算法可以有效地解决各种优化问题，并在图像处理和神经网络训练等领域发挥重要作用。

然而，该算法仍有改进的空间，如改进选择操作、引入多种变异操作和考虑细菌群体的新陈代谢过程等。

进一步研究和改进将为解决实际问题提供新的思路和方法。

综上所述，细菌觅食优化算法在实践中具有重要意义，并有望在未来得到更广泛的应用。