基于自适应细菌觅食算法.docVIP

基于自适应细菌觅食算法 　　摘要： 针对细菌觅食（BFO）算法存在容易陷入局部最优、求解精度不高、收敛速度慢等问题，提出一种新的基于自适应的算法。算法主要对趋化和复制两个关键步骤进行改进，自适应地调整游动步长，并在复制操作中引入轮盘赌选择机制，使算法快速收敛到全局最优解以改善细菌觅食算法的性能。实验结果表明，提出的算法不仅收敛速度快，且求解精度高。 　　Abstract： There are some problems in bacteria foraging optimization（BFO） algorithm， it is easy to fall in local optimum and it has relatively low accuracy and slow convergence speed. A new algorithm based on self-adaptative method was proposed to solve these problems. This paper mainly focused on improving two key steps of BFO， chemotaxis and reproduction. The swimming stepsize was adaptively adjusted to make the algorithm rapidly converge to the global optimum， and the roulette wheel selection was introduced into the reproduction step. Experimental results show that the proposed algorithm has high convergence speed and accuracy. 　　关键词： 细菌觅食算法；自适应；趋化；复制；轮盘赌选择 　　Key words： bacterial foraging optimization algorithm；self-adaptative；chemotaxis；reproduction；roulette wheel selection 　　中图分类号：TP391.4 文献标识码：A 文章编号：1006-4311（2015）11-0194-04 　　0 引言 　　2002年，Passino模拟人类大肠杆菌的觅食行为提出了细菌觅食优化（Bacteria Foraging Optimization，BFO）算法。在算法模型中，优化问题的解对应搜索空间中细菌的状态，优化函数的值对应细菌的适应度值。细菌觅食算法主要包括趋化、复制和迁徙3个步骤。具有群智能算法并行搜索、易跳出局部极小值等优点。在组合优化领域中表现出了一定的优越性，但算法也存在着收敛速度慢。求解精度不高等问题。 　　近年来，BFO算法引起了学者专家的关注，他们对算法的理论和应用展开了研究。Liu Y等[1]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[2]于2005年提出了模糊细菌觅食算法（Fuzzy Bacterial Foraging，FBF），用Takagi-Sugeno型模糊推理机制选取最优步长。但是，FBF的性能完全依赖于隶属函数和模糊规则参数的选择，因此该算法很难在实际应用中推广。Amin[3]等人在细菌进行游动后增加了一个适应度函数，来计算下一次游动的方向，提高了算法的收敛速度。在实际应用中，BFO与其它算法融合也得到了较好的效果，且效果优于混合前单独的算法。Oveis等[4]把带加速度系数的粒子群算法与BFO混合，提出了HPSOTVAC/BFA算法。Biswas等[5]把差分演化算法引入到BFO的趋化操作中，提出了趋化差分演化算法CDE。Kim等人在BFO算法中引入了遗传算法的交叉、变异算子，提出了GABFO算法[6]。Bakwad[7]、Tang[8]和Chu等[9]将PSO的思想引入BFO中，分别提出了细菌群和快速细菌群算法。为了提高算法的性能，相关学者对算法的自适应性做出改进。Datta和Majhi[10，11]等根据细菌在整个生命周期内获得的能量，赋予细菌自适应调节趋化步长的能力。Dasgupta和Biswas等人[12]针对原始算法趋化操作中使用的固定步长值，提出了基于自适应步长机制的改进BFO算法。陈瀚宁等人[13]根据生物的自适应搜索策略，分析了步长对BFO局部搜索能力和全局搜索能力的影响，提出了自适应的觅食优化算法。分析结果表明：若步长大，全局探索能力强；反之，局部搜索能力强。在文献[14-17]中，陈瀚宁等人又提出了协同细