基于细菌觅食优化算法的图像聚类方法研究

利用细菌觅食优化算法研究图像聚类问题,采用群体智能模式实现问题解的搜索.首先提取图像特征以确定解的编码形式,初始化种群,在此基础上利用细菌觅食优化算法的细菌迁徙算子、繁殖算子和趋化算子实现群体内个体之间的相互合作和竞争,提高了算法的搜索能力,实验证明该算法具有较强的适应性和鲁棒性.     

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。     

自适应细菌觅食算法在优化问题中的应用

细菌觅食算法在求解优化问题时,以固定的步长进行趋向操作,同时以固定概率对细菌个体进行随机驱散操作,虽然可以一定程度上增加种群多样性,但是在进化后期容易使优秀的个体流失,影响算法的寻优质量.针对上述问题,论文提出步长自适应调整和驱散概率自适应调整两项改进策略,分别根据算法进化程度和细菌个体的能量值动态调整趋向操作的步长和驱散操作的概率,从而使算法在保证种群多样性的前提下,保持细菌个体具有较高觅食能力,促进算法局部搜索和全局优化的平衡.对标准测试函数和TSP问题的测试结果表明:基于自学习的细菌觅食算法具有较强的全局寻优能力,适合求解高维复杂优化问题.     

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...     

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.     

基于细菌觅食算法的避碰航路优化研究

提出一种基于细菌觅食算法的避碰航路优化算法.该算法优化避碰参数包括避让转向时机、安全避让角度、复航时间和复航角度,细菌状态空间对应解空间.利用最近会遇距离和到达最近会遇点的时间,迭代计算趋化、繁殖和迁移算子,从而获得最优解.通过模拟仿真对遇、追越和交叉3种会遇态势,该算法可有效优化避碰航路,给出最优的避碰参数.该算法可为船舶避碰决策提供新的方法和思路.     

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.     

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.     

基于嵌套细菌觅食优化算法的WSN分簇路由协议研究

针对现有的用于无线传感器网络(WSN)的分簇路由协议,存在着所有簇头直接与汇聚节点通信、远离汇聚节点的簇头能量消耗过快等一系列的问题,根据嵌套细菌觅食算法(NBFA)及WSN分簇路由算法的特点,对NBFA进行改进并引入到WSN分簇路由机制中,提出一种基于改进细菌觅食算法的WSN分簇路由算法;该算法将到汇聚节点的距离设定为启发函数以找到簇头下沉的最佳路径和提高细菌觅食算法的效率,同时考虑该节点的剩余能量,在数据传输过程中,减少簇头节点的能量消耗,进而实现节点能量的高效利用,增强网络的使用寿命,以实现网络通信的高效。通过仿真,结果表明,该算法是可行的、有效的。     

基于细菌觅食优化决策的齿轮箱故障诊断

在利用SVM对齿轮箱进行故障诊断决策时,SVM模型参数(核参数及惩罚因子)对齿轮箱故障的诊断结果影响很大,而最优参数难以获取,针对这一问题,提出一种基于自适应细菌觅食算法(BFA)的SVM参数快速选取方法。以齿轮箱故障诊断过程为实验对象,对比分析网格搜索法、遗传算法、粒子群算法与细菌觅食算法对SVM径向基核函数参数δ及惩罚因子C的优化性能。研究结果表明:细菌觅食算法能够更加快速地选取到最优参数;采用细菌觅食算法优化SVM参数可以进一步提高齿轮箱故障诊断的精度。     

菌群优化算法分析

菌群优化算法虽然有诸多优点,但因算法较新而使得其适用范围有待进一步明确。本文通过对简单非线性模型、典型非线性模型以及复杂非线性模型的仿真,验证了该算法的有效性并对算法进行了分析。通过实际算例的仿真结果确定了该算法不适合运用于无显著峰谷的非线性优化问题的求解上,并在此基础上对该算法的特性通过仿真结果进行了分析。     

基于正态云模型的自适应量子粒子群优化算法

基于云模型的随机性、模糊性和稳定性特征，通过正态云发生器对量子粒子群优化算法（QPSO）进行改进，提出了一种基于正态云模型的自适应量子粒子群优化算法（CMAQPSO）.该算法将正态云模型引入到QPSO算法的研究，定义了收缩扩张系数的云调整策略和粒子云变异算子的构建公式，给出了量子势阱中心调整策略和边界修正策略.用5个标准测试函数对SPSO，OPSO，CVCPSO，CMAQPSO 4种算法进行对比测试，实验结果表明，CMAQPSO在5个测试函数上的平均寻优效果都明显优于其他3种算法.     

基于正态云模型的自适应量子粒子群优化算法

基于云模型的随机性、模糊性和稳定性特征,通过正态云发生器对量子粒子群优化算法（QPSO）进行改进,提出了一种基于正态云模型的自适应量子粒子群优化算法（CMAQPSO）.该算法将正态云模型引入到QPSO算法的研究,定义了收缩扩张系数的云调整策略和粒子云变异算子的构建公式,给出了量子势阱中心调整策略和边界修正策略.用5个标准测试函数对SPSO,OPSO,CVCPSO,CMAQPSO 4种算法进行对比测试,实验结果表明,CMAQPSO在5个测试函数上的平均寻优效果都明显优于其他3种算法.     

云模型蚁群算法在无人机航迹规划中的应用

为中高空飞行的无人机提出了一种新型航路规划算法。该方法基于云模型蚁群算法。基本蚁群算法有着突出的缺陷:易陷入局部最优解而且需要计算时间长。提出的改进型蚁群算法,通过云模型来控制信息素强度Q和挥发系数ρ的大小,从而得到更好的收敛性与避免陷入局部最优解,并进行了TSP问题的仿真计算。通过将无人机任务地图网格离散化,运用云模型蚁群算法进行航迹规划。     

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.     

一种改进的基于云模型理论的蚁群算法

研究了一种利用云模型来有效限制蚁群算法陷入局部最优解的方法。实验表明,该改进策略可使蚁群算法的全局搜索速度和优化性能均得到明显改善。     

基于云遗传的混合混沌粒子群算法研究

为了解决PSO算法种群随机初始化遍历性差、易陷入早熟收敛以及不具备全局收敛性的缺点,提出一种基于云遗传的混合混沌粒子群优化算法,使用均匀性更优的无限折混沌叠映射实现粒子初始化,通过自适应云算子、改进的Metropolis接受准则以及动态调整粒子集规模等策略,实现了云遗传算法和PSO算法的协同,最后通过全局收敛性证明、时间复杂度和实验分析,验证了算法的有效性。     

基于属性相似度的云分类器

提出了属性相似度概念解决高维对象分类的权重问题,并结合云理论建立了基于属性相似度的云分类器.采用云理论建立训练集的各属性模型,表达各属性值隶属于其类别中心Ex的程度.分类模型由属性模型集成得到,属性权重根据属性相似度计算.各类别的同一属性间的相似度越大,此属性对分类的作用越小.基于粒子群优化方法对分类模型的中心位置Ex进行优化.将此分类器与普通云分类器应用于iris数据集的分类实验,该分类器的分类效果好于后者.