细菌觅食优化算法研究

作者:未知

  摘要:在管理、经济、工程和科技领域中,常需要求解多约束条件下的最优解问题,群体智能算法是常用的求解方法。细菌觅食优化算法(BFO)是近年来提出的一种新型的群体智能算法,不仅在群体智能优化理论中具有学术意义,在动态、多目标、多约束等复杂条件下的工程优化求解问题中也具有巨大的应用价值。
  关键词:细菌觅食优化算法;群体智能算法;智能优化算法;BFO
  中图分类号:TP18 文献标识码:A
  文章编号:1009-3044(2020)06-0073-02
  1背景
  在实际的工程等领域中,人们常需要选择最合理、最优的解决方案,即“求解最优解”问题。从数学家求解多元函数极值问题开始,到解决非线性规划问题等,最优化理论的研究逐步得到进展,各种优化方法成为研究热点。20世纪90年代左右,学者们从大自然中找到灵感,研究了生物启发式算法——群体智能算法,如PSO等。近年来,学者从大肠杆菌在人体肠道内的觅食行为,提出了细菌觅食优化算法fBacterialForagingOpti-mization,BFO),成为群体智能算法的又一研究热点。
  2细菌觅食算法基本原理
  细菌作为最简单的、最古老的无核单细胞生物,具有强韧的生命力,和对复杂环境的适应性,显示了其生存活动过程中的优化本能。大肠杆菌的觅食行为主要过程可以分为3个步骤:1)寻找可能存在的食物区域;2)判断是否进入该区域;3)经过一段时间的食物消耗后,或者当前环境变得恶劣不适宜生存,细菌消亡或者迁移到其他适宜的觅食区域。
  BFO算法具有并行搜索、易跳出局部极小值等优点,被广泛运用于图像处理、自动控制、神经网络训练等多方面问题。细菌觅食优化算法主要以趋化、复制、消亡与迁移等三种算子进行迭代和搜索最优解,以及种群进化。其中最关键的是趋化算子,模拟的是细菌的趋化过程,翻转(Iumble)和游动(swim)。
  3细菌觅食优化算法的优化流程
  步骤1:初始化种群,包括各种参数。如表1所示。
  步骤2:设计评价函数,并求出当前群体各个体的最优解。
  步骤3:种群进化。分为三层循环:
  (1)迁移循环(1-1+1)
  (2)复制循环(k=k+1)
  (3)趋化循环(j=i+1)
  步骤四:算法结束,输出群体最优解。
  整个算法流程图如图1所示。
  3.2群体交流(即聚集性操作Swarming)
  细菌觅食过程中会有交流聚集行为。细菌之间既有引力又有斥力以释放信号。斥力使其他细菌保持安全距离,不要向其游动。引力使细菌聚集在一起,吸引其他細菌向之游动。
  3.3消亡及迁移(Elimination and Dispersal)
  当细菌环境改变时,如食物逐渐耗尽或者其他变化f如温度突变等),该区域的细菌种群就会迁移到新的适宜的地方,或者就是死亡。在BFO算法中称为消亡及迁移操作。
  迁移操作让细菌以概率Ped被随机重新分配到另外的空间区域,原来的细菌个体死亡,并在解空间的其他随机位置产生新个体。这些新个体也许比较接近全局最优解,从而有利于趋向操作跳出局部最优解,进而可以在全局寻找最优解。
  4细菌觅食优化算法的应用分析
  与其他群体智能算法相比,细菌觅食优化算法比较简单、灵活,也可以与其他各种算法结合产生新的优化算法,可以解决多方面的应用问题,具有比较强的适应性和鲁棒性。可以用于图像处理方面,如图像分割、图像增强、特征抽取、人脸识别、图像配准等;可用于电力系统优化方面,如最优潮流设计、发电控制参数优化、电力系统经济调度、谐波评估等;可用于智能控制方面,如电磁装置优化控制、太阳能追踪控制系统、非线性动态系统等;可用于参数优化选择方面,如各种控制器的参数设计等;可用于经济管理方面,如车间作业调度问题、股票预测等;还有生物信息学DNA序列主题发现等。但是细菌觅食算法也有不足,如算法参数比较多比较复杂,计算复杂性较大。
  5总结
  BFO算法作为群体智能算法中的新的医院,已引起了国内外大量学者的关注和研究,但是大多数是针对具体的应用场景,很少是针对算法本身的研究,未来的研究应该从算法参数改进、算法简化等学术研究上加以创新,以提高理论深度与应用价值。
转载注明来源:https://www.xzbu.com/8/view-15177126.htm

服务推荐