自适应变步长菌群优化算法

针对菌群优化算法由于步长固定导致探索能力不强等缺陷,应用聚类思想自适应计算并调整细菌的趋化步长,体现了菌群之间的协同性和智能性行为,有效地提高算法的性能,比如探索能力和开发能力,特别是局部搜索和求精能力。在使用10个复杂的Benchmark函数所进行的对比实验中,所提出的算法在搜索能力和效率等方面优于其他典型算法的比率达到60%～90%,验证了改进算法是一种具有竞争力的优化算法。

基于菌群优化算法的非线性系统预测控制器设计

作为一种先进的计算机控制算法,预测控制具有良好的自适应性和鲁棒性,一直是自动控制领域的研究热点.针对非线性系统,文中提出了一种基于菌群优化算法和模型学习的单步预测控制算法,算法在不需要系统数学模型前提下,根据非线性系统输入输出数据,通过最小二乘支持向量机建立系统数学模型,获得系统输出估计值,利用反馈校正减少预测误差,最后利用菌群优化算法进行滚动优化得到控制量,得到有效的预测控制器.由单变量和多变量非线性系统的仿真结果证明了算法鲁棒性和自适应性较好.

自适应双向菌群优化算法

提出了自适应双向菌群优化算法,应用聚类思想将趋化步长进行自适应调整,提高算法的局部搜索能力,引入双向游动机制,提高了算法的搜索效率和速度。针对10个复杂Benchmark函数进行了数值优化实验,其结果表明,在所有测试函数中,该算法在搜索能力和稳定性等方面优于其他典型算法的比率达到60%～90%,验证了算法的有效性。

广义菌群优化算法

为提高菌群优化算法的性能,将群体聚集机制和自适应策略集成到趋药性操作中,取消聚集操作,构造出新的趋化操作,在趋化循环中引入自适应扩散机制,提高其克服"早熟"的能力,重新定义健康度,减少计算复杂性,得到了一种新的群体智能优化方法——广义菌群优化算法(GBFO,Generalized Bacterial Foraging Optimization)。通过10个复杂Benchmark函数的计算进行算法性能测试,并与几个典型的算法进行了实验比较,结果表明,GBFO算法在搜索能力和稳定性、求解质量和效率等方面优于其他典型算法的比率分别达到80%～90%,70%～80%,验证了该算法的优越性能。

菌群优化算法研究

菌群优化算法是一种基于群体智能的仿生随机优化算法。文中从动物的觅食理论及搜索策略出发,介绍了动物的觅食行为和菌群优化算法的主要操作:趋向性操作、聚集操作、复制操作和迁徙操作;并对聚集操作和迁徙操作进行了仿真;最后介绍了菌群优化算法的参数选择和与遗传算法的比较;并对菌群优化算法参数如何选择给出了一些指导性的原则。

菌群优化算法研究综述

菌群优化算法是一种基于群体智能的仿生随机优化算法。文中从理论研究,算法改进,算法混合研究和工程应用几方面对菌群优化算法进行了综述。

菌群优化算法研究综述

菌群优化算法是一种模仿大肠杆菌觅食行为的新兴的群智能优化技术。介绍了菌群优化算法的基本原理,给出了算法改进及其应用,总结了现有菌群优化算法存在的问题,并指出其未来的研究方向。

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。

基于菌群-粒子群算法的水轮发电机组PID调速器参数优化

为解决水轮发电机组调速器PID参数优化问题,引入菌群优化(bacterial foraging optimization,BFO)算法。考虑到BFO算法收敛速度慢,而粒子群优化(paticle swarm optimization,PSO)算法具有较好的收敛性,提出BFO-PSO算法。以描述菌体间相互吸引、相互排斥、相互学习的Jcc指标与综合ITAE指标之和构成一种新型适应度函数。数值计算结果表明:与BFO算法、PSO算法相比,BFO-PSO算法收敛速度快,能有效改善水轮机调节系统空载工况和孤网运行条件下过渡过程的动态性能。

基于自适应和及时繁殖策略菌群优化聚类算法

针对菌群优化算法求解优化问题时收敛速度较慢、易陷入局部最优值的缺点,提出一种基于自适应和及时繁殖策略的菌群优化聚类算法。在算法中根据迁徙的次数改变步长,适应度最大的细菌马上进行繁殖。为了进行对比实验,在二维平面随机生成了100个点,将这100个点聚成两类和三类。实验结果证明自适应和及时繁殖这两种策略都可以明显提高菌群优化算法的收敛速度。

基于菌群-粒子群算法的混合有源滤波器中无源滤波器多目标优化设计

采用粒子群优化算法(particle swarm optimization,PSO)和菌群优化算法(bacterial foraging optimization,BFO)相结合的、带有随机惯性因子和异步时变学习因子的改进型BFO-PSO优化算法,解决混合型有源滤波器中无源滤波器参数优化设计问题。通过将滤波器的无功补偿容量、补偿后滤波效果及初期投资成本作为优化目标,采用重要目标加动态常数制约法给出综合适应度函数,进而求解多目标优化问题。仿真验证了理论分析和设计的正确性,相关设计方法也可为其他类型的无源滤波器的优化设计提供借鉴。

自适应相位旋转的量子菌群算法

量子菌群算法是将量子计算与菌群觅食优化算法相融合而得到的一种量子智能算法,但该算法存在鲁棒性比较差和寻优时间比较长的缺陷。为解决该问题,本文设计了一种旋转相位自适应调整的量子旋转门,并用其完成细菌的趋化操作,提出了一种自适应相位旋转的量子菌群算法。通过16个不同类型的标准测试函数对其优化性能进行研究,统计结果表明该算法在低维时,对于多种种类的测试函数,在收敛精度和稳定性上都要优于改进前的量子菌群算法,且优化结果要明显优于经典的菌群觅食优化算法和量子遗传算法。进一步研究表明,在达到指定收敛精度的情况下,该算法的平均收敛概率是最高的,平均运行时间和平均迭代步数是最短的。而在高维情况下,该算法则对碗状和碟状类型的测试函数比较适用。

基于智能优化算法的T-S模糊模型辨识

将智能算法应用在T-S模糊模型的辨识方面,是模糊系统辨识的一种新途径。文中对几种智能优化算法,如遗传算法(genetic algorithm,GA)、粒子群(particle swarm optimization,PSO)算法、菌群优化(bacterial foraging optimization,BFO)算法等的优化原理和在模糊辨识方面的应用现状进行了综述和分析,并给出了它们在T-S模糊模型辨识中对参数进行优化的过程。最后将这些优化方法用于一非线性动态系统的建模,并对仿真结果进行了对比和详细的分析,为进一步了解这几种优化方法在模糊模型辨识参数优化方面的作用提供了仿真实验依据。

一种基于细菌趋药行为的量子算法

菌群觅食优化算法具有算法简单、鲁棒性强和具备全局搜索能力的特点。但该算法收敛速度慢,对于多峰函数容易陷入局部最优。为提高菌群优化算法的搜索能力,避免其陷入早熟收敛,提出一种量子菌群算法,将二进制编码的量子进化算法融合到菌群算法中,用量子染色体表示细菌,用量子旋转门实现细菌状态更新。通过标准测试函数对其优化性能进行研究,实验结果表明,该算法无论是对于普通函数还是多峰函数,在收敛速度、收敛稳定性和寻找全局最优方面均优于菌群算法和量子遗传算法。

基于BFO算法的超声波电机非线性Hammerstein辨识建模

超声波电机具有明显的非线性和时变特性。线性模型难于准确表达超声波电机的非线性特性,通常需要采取变参数的模型形式,导致模型复杂化。直接采用适当的非线性模型形式来建立超声波电机的模型,可以得到更为简单、有效的电机模型。针对超声波电机位置控制需要,采用菌群觅食优化算法进行模型参数和阶次辨识,建立了以频率为输入、电机转轴位置为输出的超声波电机非线性Hammerstein模型。模型计算数据与实测数据的比较,表明了所建模型的有效性。

一种基于改进BFO和RLS的模糊建模方法

为了提高非线性系统的模糊建模精度,提出了一种基于改进的菌群优化算法(IBFO)和递推最小二乘(RLS)算法的模糊建模混合学习算法。该方法采用T-S模糊系统进行函数逼近,首先用改进的菌群优化算法优化模糊模型的前提参数,然后用递推最小二乘算法优化模糊模型的后件参数,实现对模糊模型全局参数的优化。对非线性系统、煤气炉数据和气动加载系统的建模表明,该方法在逼近精度方面优于其他方法。

一种新型的过程模型参数辨识方法

针对模型参数辨识问题,提出了一种基于菌群优化(BSFO)算法的模型参数辨识方法。通过将辨识参数设置为群体细菌在参数空间的位置,并模拟细菌群体觅食的动态行为来实现对参数的寻优,有效地提高了参数辨识的精度和效率。对火电厂热工过程参数辨识的仿真研究验证了本文算法的有效性,结果表明,菌群优化算法能够实现对过程模型参数的有效辨识,仿真结果令人满意。

鞍山大孤山矿坑居住建筑参数化设计及模型构建

如今建筑设计的方法不断变化,从最初的脑力思考变为电脑辅助,参数化建筑设计应运而生。人类的大规模采矿带来了大量的问题,其占用生态资源,破坏生态环境,严重阻碍了经济可持续发展。探究居住建筑与矿坑之间的关系是解决人地关系的良好途径之一,而参数化建筑设计能以最直接的方式来寻求人与自然和谐共处。为解决这一问题,本文将以鞍山大孤山矿坑为例,探究矿坑居住建筑参数化规划设计及其模型构建原理。