菌群优化算法的研究thealgorithmofbacterial(源码)【字数：12322】
摘 要摘 要菌群优化算法（BFO||BFOA）是近年来的一种新型的智能优化算法，此算法具有容易实现、收敛性快、易优化等特点，在模式识别、优化函数、工业控制等许多领域等有着广泛应用。该智能优化算法在解决寻优问题的领域内有着广泛的应用，其在觅食时所表现的的聚集行为的智能性对菌群优化算法来而言，不仅是其重要的理论基础，而且还对该算法的进一步研究应用有着十分重要的意义。本文针对改变算法中因为步长的不可变性而导致的易错过局部最优解，寻优能力差等缺点，通过随着周遭环境的变化而变化的趋化行动中的步长，来体现细菌个体通过信息交流与合作在整体层面表现出更高的智能的特性，显著提升此算法的有效性和应用性。通过数个函数所进行的算法性能测试所得出的结果与其他几个典型的智能仿生算法进行寻找最优解的比较，能够得出经过改进的算法在寻优能力、搜索能力、收敛速度和稳定性等方面上比其他算法有着显著的提升，此结果验证了本文的优化算法的有效性。本次仿真进行的是关于细菌觅食算法的优化，目前只有理论上的研究，关于如何在工业上的应用及其能否起到的实际效果并没有十足的把握。关键词菌群优化算法；趋化步长的优化；智能性
目录
第一章 绪论 1
1.1 研究背景和意义 1
1.2 智能仿生算法 1
1.2.1 遗传算法 2
1.2.2 蚁群算法 4
1.2.3 人工鱼群算法 5
1.2.4 粒子群算法 7
1.2.5 菌群优化算法 8
1.3 本文的主要内容和安排 9
1.3.1 本文的主要内容 9
1.3.1 本文的结构安排 9
第二章 菌群优化算法 10
2.1 引言 11
2.2 理论依据 11
2.3 基本菌群算法 12
2.3.1 算法原理 12
2.3.1 算法流程 13
2.4 基本菌群优化算法的改进措施 17
2.5 本章总结 18
第三章 BFO算法分析 18
3.1 自适应变步长菌群优化算法 19
3.1.1 算法优化原理 19
3.1.2 *好棒文|www.hbsrm.com +Q: ￥351916072￥
算法流程 19
3.2 算法性能测试 21
3.3 实验结果分析 24
3.4 本章结论 25
结语 25
致谢 27
附录 27
参 考 文 献 31
绪论
1.1 研究背景和意义
自然界有许许多多的物种，这些物种经过长久的时间后，有的消失，有的进化出合适本身的生活形态并把生活方式继承了下来。人类在从大自然和各种物种的长久的繁衍过程中获得启发，并研究出了一系列基于生物群行为的全局搜索算法。在2002年提出的细菌觅食算法是一种仿真模拟外界环境、菌群内的个体依赖生物本能、通过本能的巡游行为来应对环境的变化而以适应环境需要的算法。此算法因具有强大的搜索能力能够寻找到全局以及局部的最优解等优点，成为目前的智能算法应用的研究热点，有着无与伦比的发展潜力。
BFO是一种基于群体在空间内搜索食物的新型智能优化算法，具有很强的应用潜力，但此算法问世到目前研究进展的时间还很短，研究还是起步阶段，而该算法由于菌群个体趋化操作的不确定性，导致收敛速度慢，寻优效率低下缺点，是以如何将算法的重要参数优化以及改善，成为了算法优化的有效途径。
1.2 智能仿生算法
智能仿生算法来自于对自然界中的群体生物进化过程中的觅食行为。它将寻优和优化过程模拟成个体的进化和觅食过程， 用仿真空间中的点模拟自然界中的群体内的个体；将要优化的问题的目标函数适应度变为每个个体对环境的应变能力；从而，形成了一种以“生成+检验”特征的迭代搜索算法，是一种求解极值问题的自适应人工智能技术。
当群体生物在外界觅食时一般遵循以下三条规律
（1）分隔规则：尽量避免与邻近同伴过于拥挤；
（2）对准规则：尽量与周围同类个体的运动趋向相同；
（3）内聚规则：尽量朝邻近同伴的中心的移动。
以上的规则为群体的个体和群体的移动规律，智能算法通过仿真整个群体的觅食流程，把算法的循坏寻优过程模拟成一个利用个体和群体的最优值并用来寻找最优解的过程。个体行为的随机性避免了过早收敛从而陷入了局部最优，而群体行为则确定了寻最优的指向。
智能仿生算法作为当今计算科学领域内的研究热点其大致有遗传算法、人工免疫算法、人工鱼群算法、细菌觅食算法、粒子群算法等等一类通过在仿真空间内模拟外界环境，并以此来让群体内的个体完全依赖自身的生物本能来决定个体行动以适应外界环境的变化。由此我们可以知道这一类智能群体算法基本都具有：不确定性、寻优概率化、不依赖与优化问题本身严格的数学性质等等智能行为。正是因为这些特点使得我们在用智能算法解决优化问题的时候能够通过仅仅设计相应的评价函数（适应度函数）和一些有效地参数来获得我们所需的解。
1.2.1 遗传算法
遗传算法（Genetic Algorithms）是一种源自于生物进化理论的原理而发展出来的一种应用于：作业调度与排序、可靠性设计、车辆路径选择与调度、成组技术等等的广为应用、高效的随机搜索能力和优化的方法。
根据达尔文的优胜劣汰生物进化论，遗传算法将要解决的问题仿真为一个生物种群进化的方式，通过复制、交叉、突变等一些操作繁衍后代，并逐步淘汰掉适应度值低（对环境的变化不能产生足够应激行为）的解，与此同时，保存适应度函数值高（能及时根据环境而变换自身的状态）的解。这样进化了数代后就能出现适应度值高的后代。
遗传算法有三个最基本的操作：选择，交叉，变异。
选择：选择一些染色体来产生后代。
交叉：两条染色体交换部分基因相互替换形成新的染色体，来繁殖下一代的两
条新的染色体。
变异：在交叉过程中，下一代的两条新的染色体会有一定的几率发生错误。
遗传算法是一类能应用于优化解决搜索寻优问题的一种通用算法，与其他智能算法相比具有以下几方面的特点：
（1）遗传算法从优化函数解的串集之中搜索，搜索范围空间广，能有效全局则优。这是遗传算法与传统算法的最大区别。
（2）遗传算法能够一起计算并处理群体内所有个体的数据，在对其进行评估，
（3）通过给出的适应度函数来决定遗传算法下一步的操作，拓展了算法的应用。
（4）遗传算法采用概率的变迁规则来指导搜索方向。
（5）遗传算法通过利用在仿真过程中从空间外部所获得的信息来进行群体内部的全局搜索，选择生存强的个体得到适应环境的基因数据。
目录
第一章 绪论 1
1.1 研究背景和意义 1
1.2 智能仿生算法 1
1.2.1 遗传算法 2
1.2.2 蚁群算法 4
1.2.3 人工鱼群算法 5
1.2.4 粒子群算法 7
1.2.5 菌群优化算法 8
1.3 本文的主要内容和安排 9
1.3.1 本文的主要内容 9
1.3.1 本文的结构安排 9
第二章 菌群优化算法 10
2.1 引言 11
2.2 理论依据 11
2.3 基本菌群算法 12
2.3.1 算法原理 12
2.3.1 算法流程 13
2.4 基本菌群优化算法的改进措施 17
2.5 本章总结 18
第三章 BFO算法分析 18
3.1 自适应变步长菌群优化算法 19
3.1.1 算法优化原理 19
3.1.2 *好棒文|www.hbsrm.com +Q: ￥351916072￥
算法流程 19
3.2 算法性能测试 21
3.3 实验结果分析 24
3.4 本章结论 25
结语 25
致谢 27
附录 27
参 考 文 献 31
绪论
1.1 研究背景和意义
自然界有许许多多的物种，这些物种经过长久的时间后，有的消失，有的进化出合适本身的生活形态并把生活方式继承了下来。人类在从大自然和各种物种的长久的繁衍过程中获得启发，并研究出了一系列基于生物群行为的全局搜索算法。在2002年提出的细菌觅食算法是一种仿真模拟外界环境、菌群内的个体依赖生物本能、通过本能的巡游行为来应对环境的变化而以适应环境需要的算法。此算法因具有强大的搜索能力能够寻找到全局以及局部的最优解等优点，成为目前的智能算法应用的研究热点，有着无与伦比的发展潜力。
BFO是一种基于群体在空间内搜索食物的新型智能优化算法，具有很强的应用潜力，但此算法问世到目前研究进展的时间还很短，研究还是起步阶段，而该算法由于菌群个体趋化操作的不确定性，导致收敛速度慢，寻优效率低下缺点，是以如何将算法的重要参数优化以及改善，成为了算法优化的有效途径。
1.2 智能仿生算法
智能仿生算法来自于对自然界中的群体生物进化过程中的觅食行为。它将寻优和优化过程模拟成个体的进化和觅食过程， 用仿真空间中的点模拟自然界中的群体内的个体；将要优化的问题的目标函数适应度变为每个个体对环境的应变能力；从而，形成了一种以“生成+检验”特征的迭代搜索算法，是一种求解极值问题的自适应人工智能技术。
当群体生物在外界觅食时一般遵循以下三条规律
（1）分隔规则：尽量避免与邻近同伴过于拥挤；
（2）对准规则：尽量与周围同类个体的运动趋向相同；
（3）内聚规则：尽量朝邻近同伴的中心的移动。
以上的规则为群体的个体和群体的移动规律，智能算法通过仿真整个群体的觅食流程，把算法的循坏寻优过程模拟成一个利用个体和群体的最优值并用来寻找最优解的过程。个体行为的随机性避免了过早收敛从而陷入了局部最优，而群体行为则确定了寻最优的指向。
智能仿生算法作为当今计算科学领域内的研究热点其大致有遗传算法、人工免疫算法、人工鱼群算法、细菌觅食算法、粒子群算法等等一类通过在仿真空间内模拟外界环境，并以此来让群体内的个体完全依赖自身的生物本能来决定个体行动以适应外界环境的变化。由此我们可以知道这一类智能群体算法基本都具有：不确定性、寻优概率化、不依赖与优化问题本身严格的数学性质等等智能行为。正是因为这些特点使得我们在用智能算法解决优化问题的时候能够通过仅仅设计相应的评价函数（适应度函数）和一些有效地参数来获得我们所需的解。
1.2.1 遗传算法
遗传算法（Genetic Algorithms）是一种源自于生物进化理论的原理而发展出来的一种应用于：作业调度与排序、可靠性设计、车辆路径选择与调度、成组技术等等的广为应用、高效的随机搜索能力和优化的方法。
根据达尔文的优胜劣汰生物进化论，遗传算法将要解决的问题仿真为一个生物种群进化的方式，通过复制、交叉、突变等一些操作繁衍后代，并逐步淘汰掉适应度值低（对环境的变化不能产生足够应激行为）的解，与此同时，保存适应度函数值高（能及时根据环境而变换自身的状态）的解。这样进化了数代后就能出现适应度值高的后代。
遗传算法有三个最基本的操作：选择，交叉，变异。
选择：选择一些染色体来产生后代。
交叉：两条染色体交换部分基因相互替换形成新的染色体，来繁殖下一代的两
条新的染色体。
变异：在交叉过程中，下一代的两条新的染色体会有一定的几率发生错误。
遗传算法是一类能应用于优化解决搜索寻优问题的一种通用算法，与其他智能算法相比具有以下几方面的特点：
（1）遗传算法从优化函数解的串集之中搜索，搜索范围空间广，能有效全局则优。这是遗传算法与传统算法的最大区别。
（2）遗传算法能够一起计算并处理群体内所有个体的数据，在对其进行评估，
（3）通过给出的适应度函数来决定遗传算法下一步的操作，拓展了算法的应用。
（4）遗传算法采用概率的变迁规则来指导搜索方向。
（5）遗传算法通过利用在仿真过程中从空间外部所获得的信息来进行群体内部的全局搜索，选择生存强的个体得到适应环境的基因数据。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/784.html
