基于改进蚁群算法的自动落布车路径规划

针对自动落布车在使用蚁群算法(ant colony algorithm,ACA)进行路径规划过程中出现的收敛次数多、收敛速度较慢且容易陷入局部最优的问题,提出一种改进蚁群算法(improved ant colony algorithm,IACA)。首先对信息素挥发系数ρ进行自适应调整,令其做动态变化,克服算法的收敛次数过多,加快算法收敛速度,减少算法的收敛时间;其次引入细菌觅食算法中趋化操作的趋化步长因子对信息素更新公式进行改进,削减算法迭代的后期信息素浓度值,使算法在后期跳出局部最优值,提高算法全局搜索能力。利用MATLAB将改进后的算法在3种不同的栅格环境中进行仿真验证。结果表明:相比传统蚁群算法,改进后的算法收敛次数减少81.1%,最小路径长度减少6.3%,收敛时间减少20.7%。最后搭建ROS小车实验平台,利用ROS机器人系统对改进蚁群算法在模拟的织布车间环境中进行实验验证。结果表明:对比传统蚁群算法,改进蚁群算法在寻优时间上减少了8.6%。

基于细菌趋化的改进粒子群算法在电力系统无功优化中的应用

传统粒子群算法易陷入局部最优、后期多样性差,得不到最优解.在原有无功优化数学模型的基础上,引入了基于细菌趋化的粒子群改进算法.通过算例表明,该算法可以有效克服传统粒子群算法的缺点,优化计算结果.

基于粒子群优化的快速细菌群游算法

针对细菌觅食算法(Bacterial foraging algorithm,BFA)收敛速度慢的特点,提出一种快速细菌群游算法(Fast bacterial swarming algorithm,FBSA)。本算法通过借鉴粒子群优化(Particle swarm optimization,PSO)算法的信息共享机制,对细菌觅食算法的群体感应(Quorum sensing)机制进行改进,使每个细菌在优化过程中具备感应周围细菌位置、并向细菌群体历史最优位置游动的能力。同时,通过动态调整细菌的搜索步长,加强了算法在优化初期的全局搜索能力以及优化后期的局部搜索能力。对基准测试函数进行仿真实验的结果表明,FBSA对于大部分高维函数的优化能力优于BFA和PSO,并且具有更快的收敛速度。

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。

基于细菌觅食性的改进粒子群优化算法翼型设计

提出了一种基于细菌觅食性的改进粒子群优化算法。该算法以粒子群优化算法的社会模型为基础,添加了个体之间的交流项,丰富了粒子之间的优势信息源,增强了粒子的信息共享能力,同时,引入了细菌觅食算法中的趋化和驱散机制,使得算法能够有效地跳出局部最优。函数测试结果表明,该算法显著地提高了粒子群优化算法的寻优性能,并将该算法应用到了翼型设计之中。

混合细菌觅食和粒子群的k-means聚类算法

针对传统k-means聚类算法中初值的敏感性,容易陷入局部最优解的缺陷,提出了一种优化初始聚类中心的k-means聚类算法.该算法将全局搜索能力强的粒子群算法与局部搜索能力强的细菌觅食算法结合,将细菌的趋化行为简化为粒子群中粒子寻找最优解的过程,再利用细菌完成复制、迁徙操作.将混合算法的最优解确定为初始聚类中心,解决了k-means算法随机选择聚类中心的弊端.对Iris、Wine、Glass等UCI数据集的测试结果表明,该算法的准确率和稳定性都高于流行的聚类算法,能够更有效地解决复杂的优化问题.

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。

细菌觅食机制粒子群优化算法

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.

基于粒子群算法的无人机灭火路径规划仿真

研究基于粒子群算法的无人机灭火路径规划仿真方法,高效获得最优灭火路径,为无人机快速无碰撞灭火提供保障。以现实灭火环境为依据构建无人机灭火路径规划仿真环境模型,结合灭火路径长度代价、障碍危险代价、无人机航迹高程及水平转角代价建立适应度函数;通过细菌觅食算法改进基础粒子群算法,获得改进粒子群算法,定位检测出灭火环境中的火点位置,并以此类火点位置作为规划的目标点,仿真环境中提取的原始点作为起点,由若干条路径构成粒子种群,通过改进粒子群算法在仿真环境中运用适应度函数实现粒子种群的迭代寻优,获得最优无人机灭火路径。结果表明,上述方法可实现不同起点与火点间的最优无人机灭火路径规划,规划时收敛速度高,所规划的无人机灭火路径长度短,可与障碍物及危险体具备足够安全间距,且水平转角平滑,可满足无人机的高效无碰撞灭火需求,整体规划效果理想。

细菌觅食差分粒子群算法的无功优化方法

电力系统无功优化是以网损最小化且保持良好电压水平为目的。提出了细菌觅食差分粒子群算法(DEBFO),并首次应用于电力系统无功优化问题。趋化操作的交叉算子可提高局部搜索能力,变异算子可加强全局搜索能力,繁殖操作使细菌寻优速度加快,迁徙操作避免了细菌早熟。Matlab仿真结果表明DEBFO具有较强的全局寻优能力,收敛速度快,鲁棒性好,能够更有效地解决电力系统无功优化问题。

基于改进粒子群细菌觅食算法的矿井控制研究

研究矿井提升机自动化控制中精度不高且控制性能不稳定问题;目前的粒子群算法用于自动化控制系统时,存在早熟和算法参数难确定的缺陷,参数镇定效果较差;针对以上弊端,提出了细菌觅食粒子群优化算法的矿井自动化控制算法,改进算法将矿井自动化控制的主要参数作为算法输入变量,利用细菌趋化、繁殖以及驱散过程对粒子群算法的解进行优化,然后根据粒子群算法框架进行粒子更新,有效地提高了粒子群算法的全局求解能力,解决了矿井提升机控制准确度不高稳定性不好的难题;仿真结果表明,该算法具有较好的镇定效果,且算法控制精度比传统算法提高24.3%,具有较好的适用性。

粒子群与细菌觅食相结合的案例聚类算法

案例聚类是按照案例库中案例的相似度进行归类,目的是减少案例推理系统搜索相似案例的时间、提高案例推理系统的性能和降低案例库维护的复杂度。该问题的难度在于案例库的案例规模比较大和不同的聚类算法的选择对于聚类结果的影响。文中在粒子群算法与细菌觅食算法基础上,将两者结合起来,综合两个算法的优点,并将其应用在k-prototypes方法上对案例库中案例进行聚类。与流行的聚类算法进行比较,实验结果显示文中的算法具有更高的效率并且性能相对而言更加优秀。

基于细菌觅食与粒子群的改进混合算法

针对粒子群优化算法(PSO)在优化过程中易陷入局部极值而产生"早熟"现象,文中提出一种基于细菌觅食与粒子群的改进混合算法。粒子群优化算法与细菌觅食优化算法的结合,增强了算法的全局搜索能力,使算法具有全局搜索能力强的优点。选用Matlab进行仿真实验,实验结果进一步显示了改进混合算法的优化能力优于基本PSO算法和基本BFO算法,收敛速度快,且具有较好的鲁棒性。

基于蚁群优化与细菌趋化性的图像边缘检测算法

为解决基于蚁群优化的图像边缘检测算法中信息素的作用不明显,难以获得全局最优解,从而降低目标边缘的检测精确度与效率等问题,提出一种基于细菌趋化性(BC)耦合蚁群优化(ACO)的边缘检测算法。通过细菌趋化性找到最佳解决方案,用于产生信息素的初值;将BC得到的信息素初值作为ACO的初始信息素,计算每只蚂蚁的行走概率,从而选择最佳的行走路径。当蚂蚁每经历一个像素点时,更新局部信息素。全部的蚂蚁完成迭代后,进行全局信息素更新,搜寻全局最优解;最后,根据信息素最优解与阈值的关系,得到目标的边缘与非边缘,完成边缘检测。测试表明:与其他边缘检测算法相比,所提算法具有更好的边缘连续性和清晰性,能准确检测图像中的微小边缘,同时呈现出理想的收敛速度。

粒子群与细菌觅食混合算法在光伏阵列MPPT中的应用

为了提高光伏阵列光电转换效率,确保光伏阵列功率输出始终维持在最大功率点上,传统最大功率点跟踪算法在应用于局部阴影条件时,可能存在陷入局部最优或跟踪时间过长等问题。提出一种粒子群与细菌觅食混合算法,并将其应用于光伏阵列的最大功率点跟踪中,来改善跟踪过程中的收敛精度与速度。通过仿真实验结果,与传统扰动观察算法以及细菌觅食算法进行对比,验证了混合算法在跟踪速度、收敛精度、稳定性上的优越性,以及在动态光照条件下的适应性能力。

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。

细菌群觅食优化算法及PID参数优化应用

针对细菌觅食(BF)算法收敛速度慢和粒子群优化(PSO)算法早熟的缺点,提出了一种细菌群觅食优化(BSFO)算法。将PSO算法中粒子速度的更新公式替代BF算法位置公式中的方向向量,使细菌在优化过程中具备感应周围细菌位置并向细菌群体历史最优位置游动的能力。Benchmark函数的测试表明,BSFO算法对于大部分测试函数的结果较为理想。将BSFO算法用于材料试验机电液位置伺服系统的PID控制器参数寻优仿真,获得了较好的控制性能。

基于细菌觅食和免疫粒子群算法的Nash均衡求解

免疫粒子群算法在优化过程中通过免疫记忆性能和抗体浓度抑制机制来促进种群的多样性、但并不能实现每个粒子可以找到其所在邻域内的最优位置,易陷入局部极值。针对免疫粒子群算法的缺陷,本文引入细菌觅食算法中趋向性运动算子的思想来完成局部搜索功能,并据此提出了基于细菌觅食算法和免疫粒子群算法的BFA-IPSO混合算法。该算法既利用免疫粒子群算法的种群多样性,又借助细菌觅食算中的趋化算子增强快速局部寻优能力,很好将两者优势混合。通过对N人有限非合作博弈Nash均衡数值算例求解的实验结果表明,BFAIPSO混合算法很大程度上克服了粒子早熟现象,改进了全局搜索能力和收敛速度。