混合PSO的快速细菌觅食算法

为了提高细菌觅食算法在高维问题的收敛速度以及精度,提出了一种混合PSO的快速细菌觅食算法(FBFA-PSO).该算法用粒子的移动代替了细菌的趋化操作,省略了细菌前进操作,保留了细菌的繁殖和驱散操作.基于6个高维Benchmark函数的试验结果显示,该算法收敛速度和精度都优于其它三种细菌觅食算法.     

连续优化问题的细菌觅食改进算法

为更有效解决连续优化问题,提出了一种基于群体搜索的群智能优化算法———细菌觅食算法.该算法模拟了细菌觅食全过程,并对细菌个体的初始化、趋化操作中的搜索步长和搜索方向进行了改进.改进后的算法有效避免了算法陷入局部最优,而算法中采用的搜索步长,进一步提高了优化的收敛速度.经大量实验仿真表明,细菌觅食算法能够有效地求解连续优化问题.将仿真结果与其它算法对比,证明了细菌觅食算法的搜索质量优于其它算法.     

基于改进细菌觅食算法的容器云多维资源均衡调度

针对容器云平台默认的资源调度方式效率低等多种问题,引入改进细菌觅食算法,设计了一种新的容器云多维资源均衡调度方法.通过增加优选调度流程的方式对容器云平台调度方式进行优化,以此构建容器云多维资源调度模型,采用改进的细菌觅食算法优化求解资源调度模型,得到最优解,使得资源利用更充分、资源调度更均衡.实验结果表明,该方法的收敛速度更快,任务完成时间更短,负载均衡度更高,可以提高容器云多维资源调度过程中的集群资源利用率,保证调度负载均衡性.     

基于免疫进化细菌觅食算法的无功优化

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.     

基于云自适应遗传算法的改进BP算法

针对标准BP算法对初始权值敏感、收敛速度慢、易陷入局部极小等问题,结合正态云模型云滴的随机性和稳定倾向性,以及遗传算法的全局搜索能力、收敛速度快等特性,提出了云自适应遗传改进BP算法.该算法首次将云模型和遗传算法结合调整神经网络的权值和阈值.由X条件云发生器产生改进的自适应交叉概率和变异概率.实验结果表明:云自适应遗传改进BP算法比标准BP算法收敛速度快.     

细菌觅食算法优化归一化准则的彩色图像分割

为了求解彩色图像分割问题,采用一种基于离散细菌觅食算法优化归一化准则的彩色图像分割方法。引入模糊C均值聚类算法对图像预处理,降低算法维度;同时用细菌觅食优化算法求解Ncut的最小值,提高了算法的稳定性和收敛速度;通过最优个体菌得到分割结果。实验表明,该方法能够较好地分割图像,优于SM算法和遗传算法处理问题的分割效果,且耗时少。     

一种优化的细菌觅食算法用以解决全局最优化问题

细菌觅食算法是一种新的智能计算方法,已经被用于解决最优化问题。本文将遗传算法中的交叉,变异操作引入到细菌觅食算法中,加速优化进程,并用于解决函数全局优化问题。先利用测试函数对算法的性能进行了研究,再将该算法对比遗传算法求解测试函数的全局最优值。仿真结果说明,优化后的细菌觅食算法非常有效,能很好解决全局优化问题。     

改进的细菌觅食算法

为提高细菌觅食算法的性能, 将免疫算法与细菌觅食算法融合, 利用免疫算法的克隆选择思想代替细菌觅食算法的复制操作; 在趋向性操作中, 随着迭代的进行, 逐步缩小细菌运动步长, 在保证细菌收敛性的同时增强细菌的全局搜索性能; 改进迁移操作, 保证适应度值最高的细菌不被驱散, 以提高收敛精度。仿真表明,优化后的算法得到最优值比BFA(Bacterial Foraging Algorithm)的最优值更靠近函数的最优值, 证明其寻优能力更强, 且3 个函数的方差均小于BFA 的方差, 证明其稳定性也更好。     

优化BP神经网络的快速细菌觅食算法

为了提高BP神经网络的全局收敛能力和预测精度,提出了混合PSO的快速细菌觅食算法优化BP神经网络（FBFABP）的方法,并以石漠化危险度预警为例进行验证。结果表明,通过使用粒子移动和简化细菌趋化操作,提高了算法的收敛速度和搜索全局最优值的能力。相对于其它神经网络训练算法,该方法具有较好的预测精度和泛化能力,具有一定的优...     

小生境遗传算法优化的BP神经网络模型

针对传统BP神经网络模型收敛速度慢、易陷入局部极小点、网络结构不稳定等缺陷,提出一个小生境遗传算法优化的BP神经网络模型.该模型充分利用小生境遗传算法的搜索能力和BP神经网络的非线性映射和学习联想能力,通过小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,优化BP神经网络的初始权值和阈值,并采用BP算法对网络进行训练,有效解决网络初值不合理的问题,提高网络收敛速度、稳定性.实验证明:与传统方法相比,该模型具有很强的可行性和有效性.     

一种改进的小生境遗传算法

简单遗传算法（SGA）存在早熟收敛和后期收敛速度慢的弱点，基于小生境（niche）技术的改进遗传算法因其较好地保持了种群多样性，显示出更优的性能，但它存在操作复杂、比简单遗传算法更费时的缺陷，因此提出了一种基于自适应的小生境遗传算法。该算法在多模函数的优化中能够保持种群多样度的稳定性，获取合适的子种群规模，从而以更快的收敛速度获得更优的解。仿真结果表明该算法高效、可靠，易于实现。     

一种改进的小生境遗传算法

简单遗传算法（SGA）存在早熟收敛和后期收敛速度慢的弱点，基于小生境（niche）技术的改进遗传算法因其较好地保持了种群多样性，显示出更优的性能，但它存在操作复杂、比简单遗传算法更费时的缺陷，因此提出了一种基于自适应的小生境遗传算法。该算法在多模函数的优化中能够保持种群多样度的稳定性，获取合适的子种群规模，从而以更快的收敛速度获得更优的解。仿真结果表明该算法高效、可靠，易于实现。     

灾变合作型协同进化遗传算法及其在Job Shop调度中的应用

合作型协同进化遗传算法是多个子种群通过协作而共同进化的新型算法,常应用于多目标、大规模的优化问题。本文在合作型协同进化遗传算法的基础上,进一步模拟自然界中的灾变现象,在原先的算法中加入灾变算子,提出灾变合作型协同进化遗传算法,以防止出现不成熟收敛现象,并用经典的函数优化问题和Job Shop车间调度问题进行仿真实验,其结果验证了改进算法的优良性能.     

自适应杂交NGA及其在多值电路分析中的应用

提出了一种具有自适应交叉算子的ＮＧＡ算法（简记为ＡＣＮＧＡ），以解决具有多模态函数的参数优化问题，ＡＣＮＧＡ能随着解空间参数结构的变化，自适应地选择不同的杂交算子并确定相应的杂交率，使解群在保持多样性的前提下，以较收敛率得到最优解集。该算法可求解非线性方程组，并主解具有任意约束关系的非线性电阻电路的所有解。     

基于混沌遗传算法的航迹优化研究*

在实际作战环境中,如何选择最优的航迹路线是无人机任务规划系统中最重要的问题之一。首先,在有效巡查区域中建立以总路程最少和时间均衡度最小的双目标航迹优化模型,然后提出一种基于混沌遗传算法的航迹规划;该算法利用Logistic混沌序列确定遗传算法交叉和变异点,保证了算法收敛精度,削弱了因交叉强度大而产生的抖振问题,并将该算法应用到了航空规划问题上进行实验仿真,仿真结果表明该方法提高了遗传算法的精确度。     

基于改进遗传算法的多维函数的优化计算

针对标准ＧＡｓ在多维优化中存在的弊端,提出了一种改进ＧＡｓ,在染色体基因解码方式,交换与变异算子、适应函数设计等方面做了改进。通过对极难优化函数的优化计算,说明该算法有良好的全局搜索能力和较快的收敛速度。     

基于遗传算法模拟退火算法解决修边损耗问题

纸箱包装行业是一个传统的产业,在纸箱生产中需要拼单来降低修边损耗以减少成本。本文根据生产上的实际经验提出了问题的数学模型,针对该模型,本文将遗传算法和模拟退火算法结合,解决了遗传算法的收敛过快以及局部搜索能力不强的问题。在选择操作中直接保存优秀个体,来增强算法的收敛性。在变异和交叉操作中采用自适应的变异和交叉概率,增强了搜索解空间的均匀性,并引入了记忆功能,最终获得问题的近似最优解。     

采用NGA优化的新型BP神经网络模型及诊断应用

针对传统BP神经网络模型收敛速度慢、易陷入局部极小点、网络结构不稳定等缺陷,提出了一种小生境遗传算法优化的BP神经网络模型。该模型充分利用小生境遗传算法的搜索能力和BP神经网络的非线性映射和学习联想能力,通过小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,优化BP神经网络的初始权值和阈值,并采用BP算法对网络进行训练。有效解决了网络初值不合理的问题,提高了网络收敛速度、稳定性。最后结合变压器故障诊断实例。在Matlab7.0平台上进行仿真实验。实验结果证明:与传统方法相比,该模型具有很强的可行性和有效性。     

一种混合遗传算法在地震救援路径优化问题中的应用研究

地震发生后的路径规划问题不同于传统的最短路问题和车辆路径规划问题,及时性与安全性成为最主要的约束目标,同时还需要考虑震害引起的路况变化和权值更新。本文综合以往的救灾经验和研究成果,提出一种全面的地震救援路径优化问题模型,同时将启发式规则和遗传算法有机结合,在GIS平面坐标下对这类实际问题进行求解,最终结果考虑多目标的Pareto最优解,并与最短路问题中的经典遗传算法进行比较,通过仿真试验对比分析说明本文采用的算法拥有更高的求解精度和收敛速度。