基于反向细菌优化支持向量机的躯体化障碍预测模型

基于改进的细菌优化算法(BFO)的支持向量机(SVM)提出了一种有效的智能预警模型(IBFO-SVM),并对社区矫正人员出现的躯体化障碍严重程度进行了预测。在IBFO-SVM中,在细菌优化算法中引入反向学习策略,增加细菌种群的多样性,并使初始种群的个体尽可能均匀分布,提高BFO优化过程的收敛速度同时减少了BFO陷入局部最优解的概率。然后利用提出的反向细菌优化算法(IBFO)来确定SVM的两个最优参数(惩罚系数和核宽)。最后,将IBFO-SVM模型与基于原始细菌优化的SVM模型(BFO-SVM)、基于遗传算法的SVM模型(GA-SVM)以及基于粒子群优化算法的SVM模型(PSO-SVM)在心理评测数据上通过10折交叉验证方法进行了比较。实验结果表明:提出的IBFO-SVM预测模型在分类准确率、马修斯相关系数(MCC)、灵敏度和特异性方面比其他方法具有更好的性能,可以很好地将重度躯体化障碍和轻度躯体化障碍进行诊断。

基于新型细菌觅食优化算法的飞机动态泊位问题

随着航空运输业的发展,传统手动设计泊位方案已难以满足日益增长的外包维修需求.在外包模式下,如何快速给出高效的动态泊位方案关系到维修任务订单的准点交付,是飞机维修服务公司亟待解决的重要问题.针对飞机泊位进出顺序及碰撞检测特点,构建带时间窗的飞机维修泊位模型.设计自适应趋化学习及交叉协作策略,提出新型细菌觅食优化算法,并设计一系列约束处理机制.研究结果表明,提出的基于矩形碰撞检测方法可有效预防并判断飞机间碰撞阻塞情况.新型细菌觅食优化算法在解决飞机动态泊位问题上展现出搜索精度高、稳定性强等特点.所得高效智能化泊位调度方案有助于在保证维修安全的情况下提升飞机维修服务提供商的维修服务效率,改进维修资源利用率与维修系统的柔性,为企业实现高质量发展打下良好基础.

基于粒子群-细菌觅食混合优化算法的汽车碳纤维复合材料地板铺层设计

为提高白车身地板复合材料铺层优化设计的精度、效率及结构轻量化水平,提出了一种碳纤维复合材料地板铺层优化设计方法。首先建立了白车身有限元模型并验证了其有效性,然后通过力学性能测试获取了碳纤维复合材料的参数,并进行了地板铺层的概念设计和建模。接着,采用连续变量优化设计方法确定了地板的铺层厚度、铺块形状和铺层层数,并使用离散化圆整策略获得了各铺向角的离散铺层层数。优化结果表明,所提出的粒子群-细菌觅食混合优化(PSO-BFO)算法对地板质量、静态弯曲刚度和白车身轻量化系数的改善率分别为34.4%、6.0%和5.3%。

基于细菌群体趋药性的电力系统无功优化

提出了一种基于细菌群体趋药性的电力系统无功优化算法。细菌群体趋药性引入了群体信息交互策略,使得单个细菌在利用自身信息随机移动的同时,通过种群的信息交互,有效地改善了个体移动时的随机性和盲目性,加强了细菌趋于最优的移动策略。建立了基于细菌群体趋药性的无功优化数学模型,并对标准IEEE-6和IEEE-30节点测试系统进行了无功优化计算,通过结果分析表明,细菌优化算法在解决电力系统无功优化问题上,具有很好的应用前景。

细菌觅食优化算法的研究与改进

细菌觅食优化算法是一种群集智能优化方法,针对细菌觅食优化算法中的迁徙和复制操作进行改进。迁徙操作导致已经找到最优位置或接近最优位置的细菌个体逃离最优位置,产生逃逸现象,极大地影响了算法的收敛速度。为解决快速性,根据菌群的进化代数改变迁徙操作的作用范围,避免逃逸发生,提出在复制操作中,按照细菌个体当前适应度值的优劣进行复制,更准确地实现了细菌个体的优胜劣汰,进一步提高收敛速度。经典函数测试表明,改进算法在收敛速度和精度上比原有算法有了较大提高。

细菌觅食优化的智能PID控制

传统的PID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,为了解决这个问题,采用了一种新的基于细菌觅食优化(Bacterial Foraging Optimization,BFO)的智能PID控制方法,针对该算法收敛速度慢的缺陷,对步长及搜索范围做了一定的分析改进。通过与粒子群优化(Particle Swarm Optimization,PSO)智能PID参数整定控制的仿真结果比较,特别是在系统的动态性能指标以及输入信号的跟踪情况等方面进行对比分析,得出基于BFO智能PID控制的优缺点及有效性。

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。

基于细菌觅食优化的盲信号提取算法

提出了一种新的基于细菌觅食优化的盲信号提取算法。采用负熵作为信号提取的目标函数,利用球坐标变换原理将对提取向量的求解转换为对旋转角度的求解。使用改进的细菌觅食优化算法对目标函数进行优化求解,从而实现对源信号的盲提取。通过多次提取和去相关消源过程,可以实现对所有源信号的成功提取。对多路语音信号混合后的盲提取实验验证了所提出算法的有效性。

基于细菌觅食优化算法的自适应阈值边缘检测

Sobel算子在阈值偏高或偏低的情况下会产生伪边缘或边缘丢失的问题。为此,将细菌觅食优化算法与最大类间方差相结合,利用细菌觅食优化算法的全局寻优能力,以最大类间方差为适应度函数搜索最佳边缘检测阈值,对图像进行自动边缘检测。实验结果证明,该方法能够取得较好的边缘分割效果,提高阈值检索速度。

一种双菌群细菌觅食优化算法

针对细菌觅食优化算法寻优速度慢且易陷入局部最优等缺陷,提出一种双菌群细菌觅食优化算法.引入菌群密度函数因子,并添加当前趋化周期内的最优细菌对其他细菌在寻优方向上进行指导,同时改进固定步长为自适应变化的趋化步长,避免了在最优解附近出现震荡现象及算法陷入局部最优;保留精英细菌的同时提出交叉算子和变异算子,有目的地在搜索区域寻找最优解,帮助早熟细菌跳出局部最优,一定程度上避免了算法早熟;提出双菌群优化机制,增加了菌群的多样性,提高了算法的全局搜索能力,有效抑制算法退化现象.对10个经典测试函数的仿真结果表明,所提出的算法与细菌觅食优化(bacterial foraging optimization,BFO)算法相比,最优解的精度普遍提高了几个数量级,且迭代次数更少,优化速度与全局收敛能力均有所提升.

求解作业车间调度的变邻域细菌觅食优化算法

针对最小化最大完工时间的作业车间调度问题,提出一种基于变邻域趋化操作的细菌觅食优化算法。邻域搜索是一类改进型局部搜索算法,在每一步迭代过程中通过搜索当前解的邻域得到一个改进的解,利用邻域搜索可大大提高局部最优解的精确度。本算法采用基于操作的编码,使得细菌觅食优化算法适用于作业车间调度求解;将3种不同的邻域结构引入趋化操作中,以便扩大可行解的搜索空间,细菌个体按照自适应学习策略根据邻域的各自贡献率选择搜索方式,减少陷入局部极小的机会;同时使用自适应步长更新各邻域内趋化操作的位置,根据适应度值动态调整搜索精度,避免早熟收敛。典型算例试验表明,该算法具有一定的鲁棒性,并有效地提高了搜索精度和收敛性。

基于集成经验模态分解和量子细菌觅食优化的风速预测模型

基于风速时间序列内在规律特性,为改善经验模态分解(EMD)模态混叠现象,提出基于集成经验模态分解(EEMD)的风速组合预测模型。同时,针对预测模型参数选择问题,将量子力学的思想引入细菌觅食优化的繁殖算子中,结合量子空间下概率分布模型完成参数寻优。4种算法的参数优化结果表明,改进算法具有更好的全局寻优性能并能提高模型泛化能力。将其应用于组合预测模型中,仿真表明,基于EEMD预测模型能较好地消除EMD的模态混叠现象,具有更高的预测精度。

基于细菌菌落算法的电力系统无功优化

电力系统无功优化具有非线性,多控制变量,多约束条件,连续变量和离散变量混杂的特点,针对现有算法或容易陷入局部最优解或收敛速度慢的缺点,提出了一种细菌菌落(bacterial colony optimization,BCO)优化算法,将BCO优化算法首次应用于电力系统无功优化问题。BCO算法将问题的解空间视为细菌培养液,在其中放置单个或少量细菌个体,模拟细菌菌落的生长进化过程,该算法本身具有进化机制,并且提出了一种新的结束准则。BCO算法通过繁殖适应度高的个体,死亡适应度低的个体,可以尽快的获得适应度更优的个体,从而可以避免算法陷入局部最优解,同时也加快了收敛速度。用BCO算法对IEEE14节点标准测试系统进行无功优化计算,实验结果表明,细菌菌落(BCO)优化算法较其他算法具有较强的全局寻优能力,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。

自适应步长的细菌觅食优化算法研究

细菌觅食优化算法是一种群集智能优化算法,该文详细分析了细菌觅食优化算法中最重要的趋向性操作,其中步长对算法的效率和精度有很大影响;根据菌群中细菌个体间的位置信息,设计了动态步长估值函数,自适应的调整步长.通过经典函数的测试,说明改进细菌觅食优化算法在收敛速度和精度上比原有算法有极大提高.

细菌觅食算法求解高维优化问题

针对细菌觅食优化算法中,以往的自适应步长公式引入参数过多,统一的经验性参数无法适应各类不同问题的情况,提出了改进的自适应步长公式,通过在步长公式中引入当前细菌的进化代数、寻优范围,并发挥当前最优细菌的引导作用,灵活地调整步长,真正达到自适应调整步长的目的;其次对高维优化问题进行分析,将其分为可分解可分组、不可分解可分组和不可分解不可分组三大类,针对不同类型的问题,采用不同的分组方式,降维、细化来求解,将复杂问题简单化,极大地提高了求解的效率和精度。将改进的自适应步长公式应用于高维优化问题的求解方法中,通过对多个标准测试函数在多维空间特别是超高维空间(500维、800维、1000维)进行测试,并将其结果与其他算法进行比较,实验证明该改进算法在寻得最优解的精度和效率上比其他改进方案有显著提高。

变概率混合细菌觅食优化算法

针对细菌觅食优化算法寻优过程中精度差、易陷入早熟收敛等缺点,提出一种变概率混合细菌觅食优化算法。借鉴粒子群算法的信息共享机制,采用能综合反映细菌自身学习及群体合作的趋化方向,以提高算法的寻优精度和效率;基于群体适应度方差理论引入变概率迁徙策略,帮助细菌快速跳出局部极值,避免了早熟收敛和精英细菌逃逸;采用改进型佳点集方法构造初始种群及迁徙后的新个体,保证了种群多样性和解空间随机性。实验结果表明,本文提出的算法在全局收敛能力及优化精度和速度方面均表现更优。

细菌生存优化在非线性模型辨识中的应用

提出了一种新的基于细菌生存优化(Bacterial Foraging Optimization BFO)的非线性模型辨识方法。它是利用群集智能仿生BFO算法对一类Hammerstein系统进行辨识,从而估计出它的参数模型。通过对这类输入非线性模型进行辨识,并用仿真实验说明BFO算法的参数设置与选择方法。比较基于粒子群优化(Particle Swarm Optimization PSO)的非线性模型辨识算法,特别是对有色噪声的鲁棒性、模型的辨识精度、辨识收敛速度进行对比分析,以得出BFO辨识算法的优缺点及其有效性。

动态高斯变异和随机变异融合的自适应细菌觅食优化算法

针对细菌觅食优化(Bacterial Foraging Optimization,BFO)算法在高维函数优化上性能较差和普适性不强的问题,提出一种动态高斯变异和随机变异融合的自适应细菌觅食优化算法。首先,将原随机迁徙方案修改为动态高斯变异与随机变异融合的迁徙方法,即搜索前期利用随机迁徙有利于增加解的多样性,获得全局最优解,搜索后期改用动态的高斯变异来提高算法的收敛速度;然后,对趋化操作中的步长参数使用动态调整和自适应调整来增强算法的普适性;最后,构建全局极值感应机制使优化更有效,从而获得了一种高性能的自适应BFO算法,以便能够高效解决高维函数的优化问题。14个高维函数优化的仿真结果表明,提出的算法不仅优化效果好、普适性强,而且能以更快的速度找到全局最优解,性能优于SBFO、POLBBO、BFAVP和RABC算法。

基于细菌觅食优化算法的岩体压缩流变参数反演

为探索细菌觅食优化算法(BFO算法)在岩土工程中的应用,以拟建的几江长江大桥北岸隧道锚方案岩土专项实验研究为背景,基于刚性承压板流变实验获得的基础数据,针对如何进行流变模型参数反演问题,利用BFO算法优化反演目标函数,获得了反演参数值,并将反演后的表面位移曲线与实测表面位移曲线进行了对比,结果两曲线基本吻合,表明利用广义开尔文模型和BFO算法反演出的模型参数能较好地反映岩体的压缩流变特性。该法用于岩体压缩流变参数的反演是有效的,其计算速度快,效率、精度高,也充分体现出该法用于岩体压缩流变参数反演的优越性和可行性,同时也为岩体流变参数的反演提供了一种有效途径和方法。

细菌觅食优化算法的研究与应用

细菌觅食优化算法是进化算法家族的新成员。首先对细菌觅食优化算法的三大主要操作:趋向性、复制和迁徙操作的基本原理及流程进行介绍,然后对算法求解优化问题的设计步骤进行分析,接着探讨算法的改进和应用,最后指出细菌觅食优化算法的未来研究方向。