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。     

细菌群体趋药性算法优化LS_SVM参数方法

针对支持向量机的参数选择问题,本文提出了一种采用细菌群体趋药性智能优化算法优化最小二乘支持向量机参数的方法。细菌群体趋药性智能优化算法引入了群体信息交互策略,单个细菌不仅利用自身信息随机移动,而且细菌群体之间交换种群的信息,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。该方法提高了支持向量机的参数选择效率,避免了人为设定参数的不足,大大缩短了优化时间。经过细菌群体趋药性智能优化算法优化得到的最小二乘支持向量机的参数对,用于测试样本的多分类实验和函数拟合实验,其分类结果和函数拟合效果验证了本文方法的有效性。     

基于细菌群体趋药性优化的k-means算法

细茵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.     

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。     

基于多Agent系统的细菌群体趋药性算法研究

针对细菌群体趋药性(Bacterial Colony Chemotaxis,BCC)算法由于过度依赖群体交互而容易陷入局部最优解的缺陷,结合多Agent系统(Multi-Agent System,MAS)的主要特征构造一种全新算法——基于多Agent的细菌群体趋药性(MABCC)算法。该算法通过每个细菌Agent相互之间的竞争与协作,弱化其对群体信息的依赖,使其能够更精确地收敛到全局最优解。对不同函数优化试例的仿真表明该算法比BCC算法有更好的全局寻优性能。     

趋磁性细菌多目标优化算法

提出趋磁性细菌多目标优化算法(MTBMO).该算法以趋磁性细菌优化算法(MBOA)中磁小体(MTSs)的生成机制为基础,设计适用于多目标优化的新型MTSs磁矩调节机制,确保群体的收敛性;同时采用基于混沌变异的替换方法取代MBOA中的磁小体替换机制来增强群体的多样性.通过标准函数测试和与现有多目标优化算法的比较表明,MTBMO对于求解多目标优化问题(MOPs)是可行且有效的.     

混沌细菌群体趋药算法及应用

为了解决传统细菌群体趋药优化算法的收敛速度较慢问题,提出混沌细菌群体趋药算法。该算法在细菌群体中加入基于Tent映射的混沌搜索,增加了细菌群体中个体的多样性,将寻优过程分成趋药细菌群和混沌细菌群同时进行,提高了细菌群体优化算法的全局收敛能力。典型实例表明,本方法收敛速度快,优于传统细菌群体趋药优化算法。     

基于细菌趋药优化的传感器节点定位算法

主要研究分析分布式加权多维标度定位算法,针对该定位算法的不足提出基于细菌趋药优化的传感器节点定位算法。所提出的算法主要做两方面的改进：一方面,对其加权机制做修正;另一方面引入收敛速度较快且适用于多峰函数优化的细菌趋药优化算法对其局部目标代价函数进行优化。仿真实验结果表明：所提出的dw MDS（BC）定位算法在节点分布稀疏或网络拓扑不规则的环境中仍有较好的定位精度,而且算法的收敛速度也有提高。     

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。     

A novel adaptive crossover bacterial foraging optimization algorithm for linear discriminant analysis based face recognition

This paper presents a modified bacterial foraging optimization algorithm called adaptive crossover bacterial foraging optimization algorithm (ACBFOA), which incorporates adaptive chemotaxis and also inherits the crossover mechanism of genetic algorithm. First part of the research work aims at improvising evaluation of the optimal objective function values. The idea of using adaptive chemotaxis is to make it computationally efficient and crossover technique is to search nearby locations by offspring bacteria. Four different benchmark functions are considered for performance evaluation. The purpose of this research work is also to investigate a face recognition algorithm with improved recognition rate. In this connection, we propose a new algorithm called ACBFO-Fisher. The proposed ACBFOA is used for finding optimal principal components for dimension reduction in linear discriminant analysis (LDA) based face recognition. Three well-known face databases, FERET, YALE and UMIST, are considered for validation. A comparison with the results of earlier methods is presented to reveal the effectiveness of the proposed ACBFO-Fisher algorithm.     

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。     

差分进化引导趋化算子的烟花优化算法

标准烟花算法粒子间交流机制存在缺陷,且对最优点位置不在原点和原点附近时的目标函数求解能力差,对此提出差分进化引导趋化算子的烟花算法（BFA）。利用差分进化算法和趋化算子的局部搜索优势,在每一次迭代的过程中不断寻找这一代的最好个体,通过最优个体信息对局部粒子维度信息进行修改从而使得整个群体得到改善,8个标准和增加位置偏移的测试函数仿真结果表明,BFW相比于原始烟花算法（FA）,粒子群算法和SPSO在寻优精度和寻优速度上有了较好的提高。     

基于细菌觅食趋化算子的PSO算法*

PSO算法是模拟鸟群觅食的一种解决优化问题的仿生算法,为了避免其在优化过程中过快陷入局部极值的缺陷,提出一种新的基于细菌觅食趋化算子PSO算法。结合细菌觅食算法的局部搜索优势,将其趋化思想引入到PSO算法中。通过典型函数优化测试表明,该算法可以有效弥补PSO算法精度不高、容易陷入局部最优的缺陷。新算法是一种全局优化算法,适用于解决复杂特别是多峰不规则的函数优化。     

An improved multi-objective bacteria colony chemotaxis algorithm and convergence analysis

In this paper, a novel algorithm based on the bacterial colony chemotaxis (BCC) algorithm is developed to solve multi-objective optimization problems. The main objective of the paper is to improve the performance of BCC. Hence, the main work is to add three improvements, which are improved adaptive grid, oriented mutation based on grid and adaptive external archive, in order to improve the convergence performance on multi-objective optimization problems and the distribution of solutions. This paper also presents a first and simple convergence analysis of the general Pareto-based MOBCC. The proposed algorithm is validated using 12 benchmark problems and four performance measures are implemented to compare its performance with the MOBCC algorithm, the NSGA-II algorithm, and the MOEA/D algorithm. The simulation results confirmed the effectiveness of the algorithm.     

混合粒子群和改进细菌觅食的不平衡数据分类

针对细菌觅食优化（Bacterial Foraging Optimization,BFO）算法易陷入局部最优的缺点,提出了混合粒子群优化（Particle Swarm Optimization,PSO）算法与改进的细菌觅食优化（Improved BFO）算法应用于不平衡数据的分类。使用三个数据集测试所提算法的性能,其一是卵巢癌微阵列真实数据,另两个来自UCI数据库的垃圾电子邮件数据最优集和动物园数据集。采用边界合成少数过采样技术（Borderline-SMOTE）和Tomek Link对不平衡数据进行预处理,利用所提算法对不平衡数据进行分类。在改进细菌觅食优化算法的过程中,对趋化过程进行改进,采用粒子群优化算法先进行搜索,将粒子作为细菌进行处理,提高了细菌觅食优化的全局搜索能力。改进复制操作过程,提高优胜劣汰的选择标准。改进迁徙操作过程,防止种群陷入局部最优,防止进化停滞。仿真结果表明,所提算法分类准确度优于现有方法。     

Optimization based on bacterial chemotaxis

We present an optimization algorithm based on a model of bacterial chemotaxis. The original biological model is used to formulate a simple optimization algorithm, which is evaluated on a set of standard test problems. Based on this evaluation, several features are added to the basic algorithm using evolutionary concepts in order to obtain an improved optimization strategy, called the bacteria chemotaxis (BC) algorithm. This strategy is evaluated on a number of test functions for local and global optimization, compared with other optimization techniques, and applied to the problem of inverse airfoil design. The comparisons show that on average, BC performs similar to standard evolution strategies and worse than evolution strategies with enhanced convergence properties     

多目标拆卸线平衡问题的Pareto细菌觅食算法*

拆卸线平衡问题的优化涉及多个目标,为克服传统方法在求解多目标拆卸线平衡问题时不能很好处理各子目标间冲突及易于早熟等不足,提出了一种多目标细菌觅食优化算法。算法采用Pareto非劣排序技术对种群进行分级,并结合拥挤距离机制评价同级个体的优劣。为提高算法收敛性能,在趋向性操作结束后引入精英保留策略保留优秀个体,并采用全局信息共享策略引导菌群不断向均匀分布的Pareto最优前沿趋近。通过不同规模算例的对比验证表明了算法的有效性与优越性。