基于免疫算法细菌觅食优化算法.docVIP

基于免疫算法细菌觅食优化算法 　　摘要:针对细菌觅食优化算法经常出现的速度较慢、步长一致的缺陷,赋予细菌灵敏度的概念,对细菌游动的步长进行调节以提高收敛速度。采用免疫算法中的克隆选择思想,对精英细菌群体进行克隆、高频变异和随机交叉,引导算法提高搜索精度。典型高维函数测试表明,改进算法的搜索速度和精度得到极大提升,算法改造后可适用于多维、约束等实际工程问题中的优化。 　　关键词:灵敏度;免疫算法;细菌觅食;全局优化 　　中图分类号: TP183;TP301.6文献标志码:A 　　Bacteria foraging optimization algorithm based on immune algorithm 　　英文作者名LIU Xiao-long*, ZHAO Kui-ling 　　英文地址(School of Business Administration, South China University of Technology, Guangzhou Guangdong 510640, China) 　　Abstract: To correct the defects such as slower speed, step consistence in bacteria foraging optimization algorithm, this paper presented the concept of the sensitivity of bacteria to increase convergence speed by adjusting the step size of bacterial swimming. The clonal selection ideas in immune algorithm were used to achieve bacterial cloning, high-frequency variation and random crossover of the elite group, and to guide the search algorithm to improve accuracy. A number of typical high-dimensional function tests show that the improved algorithm has been greatly improved in terms of search speed and accuracy, and is more appropriate to solve practical engineering optimization problems such as high dimensionality, constraints. 　　Key words: sensitivity; immune algorithm; bacterial foraging; global optimization 　　0引言 　　自20世纪40年代开始,越来越多的工程实际问题呈现出多峰值、高维度和非线性且不可微分的特征,为解决这些问题,许多学者致力于从生物系统来寻找灵感,并设计和构造了大批的仿生优化算法。进入21世纪后,仿生优化算法又有了新的发展,比较有代表性的如Miiller等[1]提出的细菌趋药性(Bacterial Chemotaxis, BC)算法和Passino[2]提出的标准细菌觅食优化(Bacterial Foraging Optimization, BFO)算法。上述两种算法的灵感都源于微生物的行为特性,其中BC是源于单个细菌的趋药性行为,而BFO则来源于细菌的群体行为特性。BFO作为一种基于群体的搜索技术,通过群体细菌之间的竞争和协作,实现搜索的优化。此外,有关文??表明,BFO具有避免局部最优的可能,并逐渐成为仿生优化的一个研究热点。在BFO的研究中,相关学者主要从算法的参数调整和算法融合上进行研究,以提高其性能。 　　在参数调整方面,Liu等[3]改进了大肠杆菌间的相互作用机制,并对BFO算法的收敛性进行了初步分析;Mishra[4]提出了基于TS的模糊规则系统改进的MBFO算法;Majhi等[5]将设计出的自动趋化步长BFO模型应用到了神经网络训练当中;Datta等[6]设计出了一种根据自适应的增量调制原理实现自适应趋化步长的BFO算法;Chen等[7]提出了基于生物的自适应搜索策略的自适应协同型的菌群觅食优化算法。在现行有关细菌觅食优化算法的研究中,Majhi、Datta和Chen等从趋化步长的角度,根据细菌在觅食生命周期内的获取能量大小,使细菌能够自适应地调节趋化步长