采用改进的细菌觅食优化算法求解 RCPSP

针对细菌觅食优化算法全局搜索能力较弱和收敛速度慢的问题,对算法的更新方式进行改进,在算法的初期通过粒子群算法进行全局搜索,使细菌在更新时感知周围环境,再由细菌觅食算法的趋向操作进行局部搜索,提高算法的计算精度和搜索能力。最后运用实例对算法进行验证,实验结果验证了此算法在求解资源受限的项目调度问题时的可行性和优越性。     

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。     

基于细菌觅食算法的含风电场电网无功优化

针对风电场并网运行后网络损耗大和收敛性差的问题,提出一种细菌觅食优化算法。在建立含风力发电机组的无功优化数学模型基础上,将细菌觅食优化算法应用到含风电场的无功优化问题中。以IEEE-30节点进行测试算例,分别采用传统算法、粒子群算法和细菌觅食算法优化,得到网损下降率为30.29%、28.70%和36.98%。实验及分析表明,该算法效率高、全局搜索能力强、易跳出局部极值,为含风电场的无功优化提供了一种新方法。     

基于遗传-细菌觅食组合算法的非线性模型优化

文中提出一种遗传-细菌觅食组合优化算法以解决非线性模型优化问题。该方法先使用遗传算法进行全局搜索,并缩小最优解的搜索范围;再使用细菌觅食优化算法在该局部范围内执行局部搜索。这种组合搜索策略可以增强算法的收敛性,并能有效地均衡全局搜索和局部搜索。文中利用单峰、多峰和复杂多峰等非线性函数模型验证所提算法的性能。实验结果表明,组合算法的计算精度和效率分别比遗传算法和细菌觅食优化算法提高了30%和50%,表明该组合算法具有更快的收敛速度,更高的求解精度,适用于大规模多极值的非线性问题。     

一种动态分群的自适应粒子群优化算法

粒子群优化算法是模拟鸟类觅食行为思想的随机搜索算法,主要是通过迭代寻找最优解。将粒子随机初始化改进为固定初始化,并将动态分群思想引入粒子群优化算法将整个种群划分为三个子群,根据不同群中粒子的情况自适应地选择惯性权重,以此提高粒子的搜索能力。仿真实验结果表明,该方法大大提高了搜索过程中粒子的多样性,避免粒子陷入局部最优,提高了求解的速度和精度。     

无人机三维路径规划的粒子群混合算法

路径规划是无人机控制过程中的重要环节之一,现有基于粒子群等算法的传统路径规划方法存在容易陷入局部最优等问题,无法适应现实场景中复杂环境及高搜索速度的要求。针对已有方法的缺陷,提出了一种无人机路径规划的高性能细菌觅食-遗传-粒子群混合算法,以传统粒子群优化算法为基础,引入细菌觅食算法及遗传算法思想,提高算法计算速度与能力,同时考虑实际场景中无人机的运行约束,进一步提高了方法的可用性。最后,利用仿真实验验证了所提方法的有效性,并通过与传统方法对比证明了所提方法在运行时间、规划航程等方面的优越性。     

采用改进细菌觅食优化算法的无人机航迹规划

针对现有的无人机航迹规划方法收敛速度较慢、效率不高、易陷入局部最优等问题,构建了基于改进细菌觅食优化算法的无人机航迹规划结构,从三个方面改进算法:一是将固定步长改为自适应步长;二是游动时嵌入粒子群算法学习因子思想;三是将固定迁徙概率改为自适应迁徙概率.同时,提出了飞行代价目标函数,通过函数寻优进行无人机航迹规划,并由数字高程数据建立三维环境,对比基本细菌觅食优化算法和粒子群算法进行仿真.结果表明,基于改进细菌觅食优化算法优化的无人机航迹规划结构具有路径长度更短、路径更平滑和收敛速度更快的特点.     

结合极值优化的多粒子群协同进化算法

多粒子群协同进化算法是一种群智能算法,具有智能性、通用性、并行性和全局搜索能力,能够很好地解决全局寻优问题,但其保持粒子多样性的机制和协同进化的机制有待做进一步的改进.为了进一步提高多粒子群协同进化算法的寻优效率,提出了一种结合极值优化的多粒子群协同进化算法,它将多粒子群协同进化算法的全局搜索能力与极值优化算法的局部搜索能力进行了结合.最后通过实验验证了该算法的有效性.     

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。     

基于改进遗传算法的多目标JSP调度研究

针对多目标车间作业调度问题(JSP),提出了一种混合遗传算法,将多目标遗传算法得出的初步优化结果作为粒子群算法的初始粒子,利用粒子群算法强化局部搜索,加快收敛速度,改善了简单遗传算法局部搜索能力差、迭代效率低的问题.仿真结果表明了该算法对JSP调度的良好效果.     

基于细菌觅食行为的分布估计算法在预测控制中的应用

为增强分布估计算法(EDA)的局部优化能力,将细菌的觅食(BF)行为,即细菌的趋化性运动引入到分布估计算法中,提出一种基于细菌觅食行为的分布估计算法BF-EDA。通过8个Benchmark函数来测试算法性能,并与常规EDA、粒子群优化(PSO)和HPSO-TVAC算法进行实验比较,结果表明BF-EDA算法在优化解的质量和收敛速度方面具有较好的性能。进一步,为克服传统的基于梯度信息优化方法的缺点,将BF-EDA应用于预测控制的非线性滚动优化阶段,以优化求解被控系统的最优控制序列。曲线跟踪实验结果表明,基于BF-EDA的预测控制算法具有良好的控制品质。     

基于量子粒子群模糊C均值聚类算法应用研究

模糊C均值聚类对初始参数有着较强的依赖性,文中针对其对初始聚类中心敏感的问题,提出利用量子粒子群来优化FCM的初始聚类中心。粒子群优化算法具有较强的全局搜索能力,但局部搜索能力不足,因此借助于量子理论,将粒子群量子化,借助量子旋转门改变粒子的移动,同时利用量子非门增加种群的多样性,加强粒子群优化算法的局部寻优能力。并最终利用量子粒子群优化算法搜寻FCM算法的初始聚类中心,通过实验仿真表明,改进的算法在加快搜索速度的同时,能获得较为稳定的聚类中心且分割效果明显优于标准的FCM算法。     

基于混合粒子群算法求解TSP问题

遗传算法是研究TSP问题中最为广泛的一种算法,它具有全局搜索的能力。而粒子群算法收敛速度较快,但容易造成局部最优的情况。本文基于遗传算法的交叉变异设计了混合粒子群算法,通过对TSP问题求解分析,证实该方法提高了标准粒子群的搜索能力,获得了较高的收敛速度和近似最优解。     

融合改进蚁群和粒子群算法的路径搜索应用

针对车辆路径搜索对其计算质量和效率要求较高问题,且原始蚁群算法和标准粒子群算法均存在局部优先解、停滞以及收敛速度较慢等缺陷,提出一种融合改进的蚁群和粒子群路径搜索算法。在融合算法前期提高粒子群算法收敛速度,利用其进行粗搜索,后期利用改进的蚁群算法进行细搜索。通过仿真分析表明,融合后的改进算法在路径规划和计算效率上均有较大提升。     

基于进化计算的二元序列优化算法研究

具有良好非周期自相关特性二元序列在通信同步、雷达等领域具有广泛的应用。通过对遗传算法、粒子群算法与量子粒子群算法三种进化算法进行对比分析,设计了具有良好非周期自相关特性的二元序列的搜索算法。研究结果表明,粒子群算法的搜索能力优于遗传算法,而量子粒子群算法具有参数少,易于控制的优点,取得了较好的优化结果。     

基于基因片段分解的粒子群算法求解置换Flowshop问题

针对粒子群算法在求解置换流水车间调度问题时容易早熟的现象,提出了一种基于基因片段分解的粒子群优化算法求解置换流水车间调度问题。首先,对工件加工顺序采用了基因片段分解的方法,个体的初始值是随机生成的,但是初始种群采用贪婪方法得到。然后,通过加入综合学习策略和增强基因片段间的合作来提高该算法的全局搜索能力,对基因片段最优解进行交换局部搜索。最后,通过对Rec系列20个子问题的仿真测试,得出该算法在每个子问题上都取得了优于粒子群算法的解。仿真结果表明该算法收敛速度快,且具有较高的求解质量。     

改进粒子群结合K 均值聚类的图像分割算法

K 均值聚类的分类结果过分依赖于初始中心的选择且容易陷入局部最优。文中针对K 均值的缺陷,提出了一种基于随机权重粒子群和K 均值聚类的图像分割算法RWPSO KM。在算法开始,利用随机权重粒子群算法的全局搜索能力避免算法陷入局部最优。然后根据公式计算种群多样性执行K 均值算法,利用K 均值算法的局部搜索能力实现算法的快速收敛。实验结果表明, RWPSO KM与K 均值聚类和PSOK相比具有更好的分割效果和更高的分割效率。