多态细菌趋药性优化

在细菌群趋药性规则与细菌趋药性算法的基础上,提出一种新的函数优化算法——多态细菌趋药性算法。该算法克服了细菌趋药性算法收敛较慢、易陷入局部最优的不足,利用菌群之间的交互信息来修正其觅食过程。对不同函数优化结果表明该算法性能优于遗传算法、粒子群算法、细菌趋药性算法,是一种具有进一步研究价值的集群函数优化方法。

多态细菌趋药性的传感器图像自动配准

传统的图像配准的相似性测度函数对噪声过于敏感,且需要先验知识约束。对此加以改进,提出一种新的相似性测度模型。为了对模型求解,引入一种新的优化算法——细菌趋药性算法,并对其做出改进,得到多态细菌趋药性算法。实验表明,修正的相似性测度模型对噪声免疫;同时多态细菌趋药性算法比精英遗传算法、蚁群算法、粒子群算法、细菌群体趋药性算法等收敛更快,且能以更大概率收敛到全局最优。

基于细菌趋药性的Ostu双阈值图像分割算法

双阈值或多阈值分割对于复杂图像具有较好的分割效果,但算法计算量较大,不适合实时应用。为此,提出一种基于细菌趋药性、利用域间最大方差的双阈值图像分割优化算法。仿真结果证明,与传统穷尽式搜索算法相比,该算法能在保证分割效果的前提下,降低时间复杂度。

细菌趋药性算法理论及应用研究进展

细菌趋药性算法是优化领域一种新的仿生进化算法。该算法利用细菌在引诱剂环境下的应激反应动作来进行函数优化。针对细菌趋药性算法,首先介绍了其基本原理;然后讨论了近年来对该方法的若干改进;最后详述了细菌趋药性算法未来的研究方向和主要研究内容,该方法是具有实际研究价值的函数优化算法。

基于细菌趋药性和当前最优解策略的人工蜂群算法

为了克服人工蜂群算法在求解函数优化问题中所存在的收敛精度低、收敛速度慢的缺点,提出一种基于细菌趋药性和当前最优解策略的人工蜂群算法。该算法将细菌觅食优化算法中的趋向性操作引入到雇佣蜂的局部搜索策略中,然后跟随蜂在当前最优解的基础上继续进行寻优,从而提高了人工蜂群算法的局部搜索能力。8个标准测试函数的仿真实验结果表明,与基本人工蜂群算法相比,改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。

基于多agent系统的细菌趋药性仿真

细菌(如大肠杆菌)趋药性现象是细胞信号转导研究的典型案例,该文在阐述细菌趋药性现象的生物过程和研究进展的基础上,针对当前计算机仿真方法的不足之处,提出了一种基于多agent技术的计算机仿真方法,包括设计了针对细胞信号转导现象的仿真框架和基于反应式agent结构和多线程技术的实现流程。最后,在仿真框架的基础上设计了细菌趋药性中的趋药性与自适应现象的仿真实验,实验结果表明此方法较现有方法有良好的特性,在生物系统仿真中具有广泛的应用前景。

细菌趋药性算法用于软硬件划分

引进细菌趋药性算法(BCA),用于嵌入式系统和片上系统的软硬件双路划分。BCA是一种新型的对细菌觅食行为进行模拟的优化算法。对不同节点的控制数据流图进行仿真,表明在同等条件下,BCA收敛时间低于模拟退火算法、禁忌搜索与蚁群算法,节点规模越大,优势越明显。当节点规模高达100时,BCA消耗时间仅有常用优化算法的40%～60%。

细菌趋药性算法收敛性分析研究

细菌趋药性算法是优化领域中新的仿生进化算法,该算法利用细菌在引诱剂环境下的应激反应动作来进行函数优化。在介绍细菌趋药性算法原理的基础上,分析了各参数对算法的影响,给出一种新的改进模型,并进行了函数优化仿真实验,给出了相应的结果比较。

基于细菌趋药性优化的QoS组播路由算法

引进细菌趋药性算法(BCO),用于QoS组播路由问题。BCO是一种新型的对细菌觅食行为进行模拟的优化算法。对不同节点的网络结构图进行仿真,表明在同等条件下,BCO收敛时间低于流行的和谐搜索(HS),人工免疫遗传算法(AIGA)等算法。节点规模越大,优势越明显。当节点规模高达60时,BCO消耗时间仅有HS的35%,AIGA的42.5%。

细菌趋药性算法在说话人识别中的应用

针对自动识别大规模、时序性样本说话人身份的模式识别问题,提出了基于细菌群体趋药性算法(Bacterial Colony Chemotaxis,BCC)的说话人识别系统。采用最小二乘支持向量机(LS_SVM)作为模式识别的模型,利用BCC对最小二乘支持向量机的正则化参数γ和核宽度参数σ进行优化。实验结果表明,经过参数寻优之后的LS_SVM分类器能很好地避免人为选择参数的不足,极大地提高了说话人识别系统的性能。

基于细菌群体趋药性的函数优化方法

本文在细菌趋药性(BacterialChemotaxis,BC)优化算法基础上提出一种基于群体智能的函数优化方法-细菌群体趋药性(BacterialColonyChemotaxis,BCC)算法。细菌群体趋药性算法同时使用单个细菌在引诱剂环境下的应激反应动作和细菌群体间的位置信息交互来进行函数优化。细菌群体趋药性算法在保留单个细菌较强的搜索能力的基础上克服了细菌趋药性算法收敛速度较慢,性能难以与其他常用的智能优化算法比较的不足。对不同函数优化试例的仿真表明细菌群体趋药性算法性能良好,是一种具有进一步研究价值的集群函数优化方法。

基于细菌群体趋药性的有序盲信号分离算法

提出了一种基于细菌趋药性的细菌群优化算法。将探测判断策略和优势细菌随机扰动策略引入细菌群体的进化过程,解决了细菌个体在进化后期处于随机摄动状态而难以定位于全局最优位置的问题。通过使用测试函数对算法性能进行测试以及同其他算法的比较表明,所提出的算法在收敛速度和求解质量方面均有很好的性能。进一步将细菌群优化算法应用于解决盲信号分离问题,实现了对源信号的逐一有序盲分离。仿真实验表明,基于细菌群优化算法的盲信号分离算法具有很好的分离效果,可以将源信号按照其规范四阶累积量绝对值的降序进行有效分离。

基于细菌群体趋药性优化的k-means算法

细菌趋药性算法是一种新的仿生进化算法,针对细菌趋药性算法,介绍了其基本原理,讨论了一种改进的算法——细菌群体趋药性(BCC)算法。将细菌群体趋药性优化方法应用在k-means聚类分析中,以类内离散度和为目标函数,建立了BCC优化的k-means算法模型,利用BCC算法的全局搜索能力,很大程度上避免了k-means算法易陷入局部极小的缺陷,同时也降低了算法对初始值的敏感度。并给出了一些实验,结果令人满意。

基于细菌趋药性算法的盲图像分离方法

提出了一种新的基于细菌趋药性(BC)算法的盲图像分离方法,利用图像信号的规范四阶累积量作为目标函数,使用BC算法对目标函数进行优化以实现图像的盲分离。每分离出一幅图像后,从混合图像中消除该幅图像成分后再进行下一次分离,从而最终实现所有源图像的逐次分离。仿真结果表明,本文算法能够有效实现对多幅混合自然图像的盲分离,且具有较好的分离效果。

基于混合细菌趋药性的聚类分割算法

为解决模糊C均值算法对初始值敏感、容易陷入局部极值的问题,提出基于混合细菌趋药性的聚类分割算法,在简单细菌趋药性算法的基础上,将粒子群算法引入.新算法使用粒子群算法、细菌趋药性算法两步优化得到的结果作为模糊C均值算法的初始值,同时新算法中引入精英保持策略,进一步提高算法效率.实验结果表明,新算法具有较快的收敛速度,.同时能够获得较好的图像分割效果和质量.

基于细菌群体趋药性算法的电力系统无功优化

将细菌群体趋药性(BCC——bacterial colcony chemotaxis)优化方法应用在电力系统无功优化中,以网损最小为目标函数,建立了BCC无功优化数学模型。由发电机机端电压、变压器分接头和电容器组3部分控制变量构成初始矩阵,它们在算法中作为细菌位置坐标,表征细菌移动寻优时的空间位置。控制变量即细菌移动遵循在n维空间中的移动寻优规律,每个细菌通过感知周围的信息不断向最优方向移动,从而提高了全局搜索能力。通过优化参数,加快了收敛速度。对IEEE30,IEEE57,IEEE118测试系统进行了测试,与免疫记忆遗传算法和混沌粒子群算法相比较,结果令人满意。

基于微分进化和混沌迁移的细菌群体趋药性算法

细菌群体趋药性(BCC)算法是一种新的群体智能优化算法.本文研究了BCC算法中群体控制参数对算法性能的影响,并提出算法应用的参数控制策略.标准的BCC算法存在易于陷入局部极值的缺点,因此新算法中采用了以下改进措施,自适应调整感知范围、当细菌确定下一步位置时增加微分进化的待选个体和采用混沌迁移机制,改进后的算法增强了跳出局部最优解的能力.实验结果表明,新算法的全局搜索能力有了显著提高。

基于细菌群落趋药性优化的最小二乘支持向量机短期负荷预测方法

智能电网的建设和电力市场的发展对短期负荷预测的精度和速度提出了更高的要求。应用一种仿生算法来改善负荷预测的精度和运算速度,提出一种基于细菌群落趋药性优化算法的最小二乘支持向量机(least squares-support vector machine based on bacterial colony chemotaxis optimization,BCC-LS-SVM)模型,通过细菌群体趋药性优化算法快速、合理地确定最小二乘支持向量机(least squares-support vectormachine,LS-SVM)的超参数。研究表明,与前馈(back-propagation,BP)神经网络算法和单纯的LS-SVM算法相比,BCC-LS-SVM算法具有较强的全局搜索能力,易于操作,能够实现更高的预测精度及更好的运算速度,更适用于当前中国短期负荷预测的需要。

基于改进细菌群体趋药性算法的配电网无功优化

基本的细菌群体趋药性(BCC)算法中系统参数的固有设置方式极大地制约了算法性能,群体信息交互策略的引入,不可避免地产生趋同性,容易陷入局部最优。鉴于此,引入精度更新参数控制精度,动态调整细菌寻优速度、自适应调整细菌感知范围;并增加自适应变异算子增加随机扰动,改善种群的多样性,提高算法逃离局部最优的能力;以混沌搜索代替随机迁徙,利用其不重复的遍历性完成对局优点的二次寻优,形成改进的细菌群体趋药性(IBCC)算法,该算法极大地提高了算法的全局寻优能力。基于IBCC算法,建立了无功优化数学模型,并以IEEE-33节点配电系统为例应用该算法进行优化计算,结果表明,该算法在解决配电网无功优化问题上,具有很好的应用前景。

基于局部学习机和细菌群体趋药性算法的电力系统暂态稳定评估

为了提高电力系统暂态稳定评估的分类正确率,提出一种基于局部学习机(LLM)和改进的细菌群体趋势药性(BCC)算法的暂态稳定评估方法。该方法采用LLM构建暂态稳定评估模型,考虑相量测量单元可以提供的故障后实测信息,构造了一组系统特征作为LLM模型的输入量,稳定结果作为输出量,对稳定结果和系统特征间的映射关系进行训练,并通过综合混沌搜索策略的改进BCC算法优化LLM模型的参数。最后,以新英格兰10机39节点系统为例证明了所提方法的有效性。