ACISC 应用计算智能和软计算 1687 - 9732<我年代年代npub-type="ppub"> 1687 - 9724 Hindawi出版公司 907853年 10.1155 / 2012/907853 907853年 研究文章 交叉细菌觅食优化算法 熊猫 Rutuparna 奈克 Manoj Kumar 他 小君 电子和通信工程系 VSS科技大学 帮助768018 印度 vssut.ac.in 2012年 9 10 2012年 2012年 16 04 2012年 11 07年 2012年 09年 08年 2012年 2012年 版权©2012 Rutuparna熊猫和Manoj Kumar奈克。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

本文提出一种修改细菌觅食优化算法称为交叉细菌觅食优化算法,它继承了遗传算法的交叉技术。这可以用于即兴创作的评价最优目标函数值。使用交叉机制的想法是搜索附近位置的后代(50%的细菌),因为他们在不同的位置是随机产生的。在传统的细菌觅食优化算法,搜索从同一地点(50%的细菌复制),这是不可取的。七种不同的基准函数被认为是绩效评估。同时,提出了与以往方法的结果进行比较,揭示了该算法的有效性。

 1。介绍

现在几个算法开发灵感来自大自然。产品表面算法背后的主要原则是解释为一个人的能力,在最短的时间内获得足够的能源。差的觅食过程中,动物觅食策略消除,和成功的传播( 1]。最成功的觅食<我talic> 大肠杆菌(那些生活在我们的肠道细菌),使用化学感应器官检测营养和有毒物质的浓度在其环境。环境中的细菌然后通过翻滚和运行,避免有毒物质和接近食物补丁地区这一过程被称为趋化性。基于<我talic> 大肠杆菌觅食策略,Passino提出细菌觅食优化算法(BFOA) [ 2- - - - - -- - - - - -- - - - - -- - - - - -- - - - - -- - - - - - 4单位时间内最大化能量摄入的)。以提高BFOA性能,已经进行大量的修改。一些修改直接基于组件的分析( 5- - - - - -- - - - - -- - - - - -- - - - - -- - - - - -- - - - - - 8而另一些则称为混合算法( 9- - - - - -- - - - - -- - - - - -- - - - - -- - - - - -- - - - - - 11]。

在过去的二十年里,遗传算法(GA)声称其适用性处理优化问题的学术和工业社区。可能解决一个特定问题编码染色体,它包含一组基因。每个染色体是指搜索空间,是由健康评估决定。遗传算法使用基本交叉和变异等遗传算子产生人口的遗传组成。交叉算子产生两个后代的信息重组两个父母。使用变异算子随机基因值改变。交叉和变异的适用性是由交叉概率和变异概率 12]。

在本文中,我们提出的一些修改BFOA改进遗传算法中使用的交叉算子。这里50%的健康的细菌用于交叉和一些交叉概率产生50%的细菌的后代。这些后代细菌产生在不同的位置,开始搜索。但在BFOA, 50%的细菌复制相同的位置,从同一位置开始搜索。结果他们错过一些有用的参数搜索空间。这促使我们研究交叉BFOA,可以更有效地找到全局最优解。本文遵循组织。节 2,我们描述了细菌觅食优化算法。部分 3介绍了BFOA提出修改。部分 4处理算法的比较与BFOA CBFOA,适应性BFOA (ABFOA) [ 8)和遗传算法(GA) ( 12使用一些常见的基准函数。最后,给出了结论和未来的工作范围 5。

<年代ec id="sec2"> 2。细菌觅食优化算法

假设我们想要找到最低的<我nl我ne- - - - - -formula> J ( θ ) , θ ∈ ℜ p ,我们没有测量或分析梯度的描述<我nl我ne- - - - - -formula> ∇ J ( θ ) 。在这里,我们使用这个nongradient BFOA解决优化问题。让<我nl我ne- - - - - -formula> θ 是细菌,让的位置<我nl我ne- - - - - -formula> J ( θ ) 代表的成本优化问题,<我nl我ne- - - - - -formula> J ( θ ) < 0 , J ( θ ) = 0 ,<我nl我ne- - - - - -formula> J ( θ ) > 0 。这些价值观指导我们对细菌的位置(无论是营养丰富、中性或有害环境)。基本上BFOA由四个主要机制被称为趋化作用,云集,繁殖,elimination-dispersal。

<年代ec我d="sec2.1"> 2.1。趋化性

流程模拟运动的细菌通过游泳和翻滚。让<我nl我ne- - - - - -formula> J ( 我 , j , k , l ) 表示位置的成本<我nl我ne- - - - - -formula> 我 th细菌,让<我nl我ne- - - - - -formula> θ 我 ( j , k , l ) 代表<我nl我ne- - - - - -formula> j 趋化现象的,<我nl我ne- - - - - -formula> k th繁殖,<我nl我ne- - - - - -formula> l th elimination-dispersal事件。让<我nl我ne- - - - - -formula> C 步骤(在跑步过程中)被指定的随机方向的下跌。然后趋化运动可以表示为 (1) θ 我 ( j + 1 , k , l ) = θ 我 ( j , k , l ) + C ( 我 ) Δ ( 我 ) Δ T ( 我 ) Δ ( 我 ) , 在哪里<我nl我ne- - - - - -formula> Δ ( 我 ) 是一个随机向量与每个元素躺在<我nl我ne- - - - - -formula> ( - - - - - - 1 , 1 ] 。

<年代ec id="sec2.2"> 2.2。群集

在运动期间,细胞释放引诱剂、驱虫剂其他细胞信号,这样他们应该一起群,只要他们得到营养丰富的环境或避免有害环境。被指示为细胞间的吸引和排斥效应 (2) J c c ( θ , P ( j , k , l ) ) = ∑ 我 = 1 年代 J c c 我 ( θ , θ 我 ( j , k , l ) ) = ∑ 我 = 1 年代 ( - - - - - - d 吸引 经验值 ( - - - - - - w 吸引 ∑ 米 = 1 p ( θ 米 - - - - - - θ 米 我 ) 2 ) ] + ∑ 我 = 1 年代 ( - - - - - - h 排斥的 经验值 ( - - - - - - w 排斥的 ∑ 米 = 1 p ( θ 米 - - - - - - θ 米 我 ) 2 ) ] , 在哪里<我nl我ne- - - - - -formula> J c c ( θ , P ( j , k , l ) ) 目标函数值添加到实际的目标函数存在时间不同的目标函数,<我nl我ne- - - - - -formula> 年代 是细菌的总数,<我nl我ne- - - - - -formula> p 是变量的数量参与搜索空间,<我nl我ne- - - - - -formula> θ = ( θ 1 , θ 2 , … , θ p ] T 在优化领域是一个点,<我nl我ne- - - - - -formula> θ 米 我 是<我nl我ne- - - - - -formula> 米 th的组件<我nl我ne- - - - - -formula> 我 th细菌位置<我nl我ne- - - - - -formula> θ 我 。<我nl我ne- - - - - -formula> d 吸引 ,<我nl我ne- - - - - -formula> w 吸引 ,<我nl我ne- - - - - -formula> h 排斥的 ,<我nl我ne- - - - - -formula> w 排斥的 用于信号是不同的系数。

<年代ec id="sec2.3"> 2.3。繁殖

累积成本的人口按升序排序,然后<我nl我ne- - - - - -formula> 年代 r ( = 年代 / 2 ) 最健康的细菌和其他死去<我nl我ne- - - - - -formula> 年代 r ( = 年代 / 2 ) 对健康的细菌繁殖,每个分裂成两个细菌,被放置在相同的位置。这使我们能够保持一个恒定的人口规模,方便在编码算法。

<年代ec id="sec2.4"> 2.4。消除分散

由于逐渐或突然改变当地的环境中,细菌的生命可能会受到影响。为了把这一现象,我们消除人口中的每一个细菌的概率<我nl我ne- - - - - -formula> p 艾德 和一个新的替换随机初始化搜索空间。

3所示。交叉细菌觅食优化算法

CBFOA的主要目的是找到一个函数的最小<我nl我ne- - - - - -formula> J ( θ ) , θ ∈ ℜ p ,这不是梯度<我nl我ne- - - - - -formula> ∇ J ( θ ) 。在这里<我nl我ne- - - - - -formula> J ( θ ) 是一个attractant-repellent概要和<我nl我ne- - - - - -formula> θ 是一种细菌的位置。让<我nl我ne- - - - - -formula> P ( j , k , l ) = { θ 我 ( j , k , l ) ∣ 我 = 1 , 2 , … , 年代 } 代表人口中的每一个细菌的位置<我nl我ne- - - - - -formula> 年代 细菌在<我nl我ne- - - - - -formula> j th趋药性的一步,<我nl我ne- - - - - -formula> k th crossover-reproduction一步,<我nl我ne- - - - - -formula> l th elimination-dispersal事件。来,让<我nl我ne- - - - - -formula> J ( 我 , j , k , l ) 表示位置的成本<我nl我ne- - - - - -formula> 我 th细菌在位置<我nl我ne- - - - - -formula> θ 我 ( j , k , l ) ∈ ℜ p 。让<我nl我ne- - - - - -formula> C ( 我 ) > 0 的步长随机方向代表了下跌。注意细菌的位置在接下来的趋化现象的措施 (3) θ 我 ( j + 1 , k , l ) = θ 我 ( j , k , l ) + C ( 我 ) ∅ ( 我 ) 。

如果在位置<我nl我ne- - - - - -formula> θ 我 ( j + 1 , k , l ) 成本<我nl我ne- - - - - -formula> J ( 我 , j + 1 , k , l ) 更好的(低)的位置在哪里<我nl我ne- - - - - -formula> θ 我 ( j , k , l ) ,那么大小的另一个步骤<我nl我ne- - - - - -formula> C ( 我 ) (方向相同)。这个游泳持续只要它降低了成本,但它是只允许的最大数量的步骤<我nl我ne- - - - - -formula> N 年代 。我们必须以这样一种方式,这种细菌可以实现群一起通过一个引诱剂和防水的,细胞间信号效应的模仿( 2)。我们认为聚集效应,<我nl我ne- - - - - -formula> 我 th细菌,<我nl我ne- - - - - -formula> 我 = 1、2 , … , 年代 将山爬上 (4) J ( 我 , j , k , l ) + J c c ( θ , P ) , 这样的细胞会试图找到营养,避免有害物质,同时试图向其他细胞,但不能太近。

后<我nl我ne- - - - - -formula> N c 趋化现象的步骤,crossover-reproduction一步。让<我nl我ne- - - - - -formula> N cr 是crossover-reproduction步骤的数目。趋化现象的步骤后,人口会繁殖下一代由足够的营养。为了方便,我们可以考虑<我nl我ne- - - - - -formula> 年代 是一个正数(整除( 4))。让 (5) 年代 c = 年代 2 数量(人口)有足够的营养,这对下一代可以。crossover-reproduction步骤,人口是升序排序累积成本(高成本意味着营养价值更少);然后<我nl我ne- - - - - -formula> 年代 c 最健康的细菌和其他死去<我nl我ne- - - - - -formula> 年代 c 健康的细菌已经通过了交叉概率<我nl我ne- - - - - -formula> p c 得到<我nl我ne- - - - - -formula> 年代 c 孩子的细菌。然后新的细菌可以由附加<我nl我ne- - - - - -formula> 年代 c 健康的(父母)细菌和数量<我nl我ne- - - - - -formula> 年代 c 子细菌的数量。这有助于搜索域在本质上是动态的父母细菌开始搜索在养分浓度的下一代更和儿童细菌搜索附近的地方,可能是由于使用BFOA搜索策略。

让<我nl我ne- - - - - -formula> N 艾德 elimination-dispersal事件的数量,为每个elimination-dispersal事件中的每个细菌人口受到消除传播的概率<我nl我ne- - - - - -formula> p 艾德 。这有助于跟踪环境条件的突然改变,可能影响生活的细菌,所以可以引入新的细菌在搜索领域。

<年代ec我d="sec3.1"> 3.1。交叉细菌觅食优化算法

首先初始化参数<我nl我ne- - - - - -formula> p ,<我nl我ne- - - - - -formula> 年代 ,<我nl我ne- - - - - -formula> N c ,<我nl我ne- - - - - -formula> N 年代 ,<我nl我ne- - - - - -formula> N cr ,<我nl我ne- - - - - -formula> N 艾德 ,<我nl我ne- - - - - -formula> p c ,<我nl我ne- - - - - -formula> p 艾德 ,<我nl我ne- - - - - -formula> C ( 我 ) ,在那里<我nl我ne- - - - - -formula> p 代表维搜索空间,<我nl我ne- - - - - -formula> 年代 代表细菌参与人口的数量,<我nl我ne- - - - - -formula> N c 代表趋药性的步骤的数目,<我nl我ne- - - - - -formula> N 年代 代表的最大长度,游泳<我nl我ne- - - - - -formula> N cr 代表crossover-reproduction步骤的数目,<我nl我ne- - - - - -formula> N 艾德 代表elimination-dispersal步骤的数目,<我nl我ne- - - - - -formula> p c 代表交叉的概率,<我nl我ne- - - - - -formula> p 艾德 代表消除传播事件的概率,<我nl我ne- - - - - -formula> C ( 我 ) 是在随机方向的大小的一步指定由一个下跌。如果我们使用群集,我们必须选择细胞间诱食剂的参数<我nl我ne- - - - - -formula> d 吸引 (深度引诱剂的细胞),<我nl我ne- - - - - -formula> w 吸引 (引诱剂的宽度信号),<我nl我ne- - - - - -formula> h 排斥的 (高度排斥效应的大小),<我nl我ne- - - - - -formula> w 排斥的 (大小宽度的效果)。我们也初始化<我nl我ne- - - - - -formula> θ 我 , 我 = 1、2 , … , 年代 随机搜索空间内。这个算法也模仿细菌群体趋药性、消除和传播步骤Passino报道( 2)和解释部分 2。在这篇文章中,新鲜的是复制步骤。而不是使用复制的过程中解释部分 2这里,一个新想法crossover-reproduction介绍:

(最初,<我nl我ne- - - - - -formula> j = k = l = 0 )。

<年代tatement id="step1"> 步骤1。

Elimination-dispersal循环:<我nl我ne- - - - - -formula> l = l + 1 。

步骤2。

Crossover-reproduction循环:<我nl我ne- - - - - -formula> k = k + 1 。

步骤3。

趋化性循环:<我nl我ne- - - - - -formula> j = j + 1 。

为<我nl我ne- - - - - -formula> 我 = 1、2 , … , 年代 细菌趋药性的一步<我nl我ne- - - - - -formula> 我 如下。

计算成本函数<我nl我ne- - - - - -formula> J ( 我 , j , k , l ) 。

然后计算<我nl我ne- - - - - -formula> J ( 我 , j , k , l ) = J ( 我 , j , k , l ) + J ( θ , P ) (即。,add on the cell-to-cell signalling effects).

让<我nl我ne- - - - - -formula> J 去年 = J ( 我 , j , k , l ) 保存这个值,因为我们可能会找到一个更好的通过运行成本。

下跌:生成一个随机向量<我nl我ne- - - - - -formula> Δ ( 我 ) ∈ ℜ p 与每个元素<我nl我ne- - - - - -formula> Δ 米 ( 我 ) , 米 = 1、2 , … , p 一个随机数<我nl我ne- - - - - -formula> ( - - - - - - 1 , 1 ] 。

移动:让<我nl我ne- - - - - -formula> θ 我 ( j + 1 , k , l ) = θ 我 ( j , k , l ) + C ( 我 ) ( Δ ( 我 ) / Δ T ( 我 ) Δ ( 我 ) ) 。这导致步长方向的暴跌<我nl我ne- - - - - -formula> 我 细菌。

然后计算<我nl我ne- - - - - -formula> J ( 我 , j + 1 , k , l ) ,让<我nl我ne- - - - - -formula> J ( 我 , j + 1 , k , l ) =<我nl我ne- - - - - -formula> J ( 我 , j + 1 , k , l ) + J c c ( θ 我 ( j + 1 , k , l ) ,<我nl我ne- - - - - -formula> P ( j + 1 , k , l ) ) 。

游泳:

让<我nl我ne- - - - - -formula> 米 = 0 (计数器长度)游泳。

而<我nl我ne- - - - - -formula> 米 < N 年代 (没有爬下太长时间),

让<我nl我ne- - - - - -formula> 米 = 米 + 1 ;

如果<我nl我ne- - - - - -formula> J ( 我 , j + 1 , k , l ) < J 去年 (如果做得更好)<我nl我ne- - - - - -formula> J 去年 = J ( 我 , j + 1 , k , l ) ,让<我nl我ne- - - - - -formula> θ 我 ( j + 1 , k , l ) = θ 我 ( j + 1 , k , l ) + C ( 我 ) ( Δ ( 我 ) / Δ T ( 我 ) Δ ( 我 ) ) 并使用这<我nl我ne- - - - - -formula> θ 我 ( j + 1 , k , l ) 计算新<我nl我ne- - - - - -formula> J ( 我 , j + 1 , k , l ) 当我们在(g);

其他的,让<我nl我ne- - - - - -formula> 米 = N 年代 ,从while循环;

去下一个细菌(<我nl我ne- - - - - -formula> 我 + 1 )如果<我nl我ne- - - - - -formula> 我 ≠ 年代 ,然后去(b)处理下一个细菌。

 步骤4。

如果<我nl我ne- - - - - -formula> j < N c 请转到步骤 3。在这种情况下,继续趋化作用,因为细菌的生命还没有结束。

第5步。

交叉繁殖。

对于给定的<我nl我ne- - - - - -formula> k 和<我nl我ne- - - - - -formula> l ,为每一个<我nl我ne- - - - - -formula> 我 = 1、2 , … , 年代 ,让<我nl我ne- - - - - -formula> J 健康 我 = ∑ j = 1 N c + 1 J ( 我 , j , k , l ) 是细菌的健康<我nl我ne- - - - - -formula> 我 (衡量有多少营养对其一生和如何成功的在避免有毒物质)。这种细菌和趋化现象的参数<我nl我ne- - - - - -formula> C ( 我 ) 按升序的成本<我nl我ne- - - - - -formula> J 健康 (更高的成本意味着更低的健康)。

的<我nl我ne- - - - - -formula> 年代 c 最高的细菌<我nl我ne- - - - - -formula> J 健康 值,另一个死亡<我nl我ne- - - - - -formula> 年代 c 细菌被视为父母细菌为下一代。

然后我们选择两组父母的细菌<我nl我ne- - - - - -formula> 年代 c 健康的细菌和交叉概率<我nl我ne- - - - - -formula> p c 得到<我nl我ne- - - - - -formula> 年代 c 细菌数量的后代。

然后添加<我nl我ne- - - - - -formula> 年代 c 父(健康)细菌和数量<我nl我ne- - - - - -formula> 年代 c 细菌数量的后代形成完整的一套<我nl我ne- - - - - -formula> 年代 细菌。

 步骤6。

如果<我nl我ne- - - - - -formula> k < N cr 请转到步骤 2。在这种情况下,我们还没有达到指定的数量的复制步骤,我们下一代的趋化现象的循环开始。

步骤7。

消除分散:<我nl我ne- - - - - -formula> 我 = 1、2 , … , 年代 ,与概率<我nl我ne- - - - - -formula> p 艾德 每个细菌,消除和分散,从而保持人口的细菌数量不变。要做到这一点,如果我们消除细菌,只是驱散一个随机位置优化领域。

步骤8。

如果<我nl我ne- - - - - -formula> l < N 再保险 ,然后去一步 1;否则结束。

 4所示。实验结果

本节说明了一些比较拟议的CBFOA BFOA [ 2),自适应BFOA [ 8],遗传算法( 12使用一些数值表中描述的基准测试函数 1。

描述基准函数的使用。

函数 数学表示 的搜索范围 理论上的最适条件
f 1 ( x → ) = - - - - - - 20. 经验值 ( - - - - - - 0.2 1 n ∑ 我 = 1 n x 我 2 )
《护理 - - - - - - 经验值 ( 1 n ∑ 我 = 1 n 因为 2 π x 我 ) ( - - - - - - 5、5 ) n f 1 ( 0 → ) = 0
+ 20. + e
Griewank f 2 ( x → ) = 1 4000年 ∑ 我 = 1 n x 我 2 - - - - - - ∏ 我 = 1 n 因为 ( x 我 我 ) + 1 ( - - - - - - 10、10 ) n f 2 ( 0 → ) = 0
Rastrigin f 3 ( x → ) = ∑ 我 = 1 n ( x 我 2 - - - - - - 10 因为 2 π x 我 + 10 ] ( - - - - - - 5、5 ) n f 3 ( 0 → ) = 0
。 f 4 ( x → ) = ∑ 我 = 1 n - - - - - - 1 ( One hundred. ( x 我 + 1 - - - - - - x 我 2 ) 2 + ( 1 - - - - - - x 我 ) 2 ] ( - - - - - - 2、2 ) n f 4 ( 0 → ) = 0
旋转超椭圆体 f 5 ( x → ) = ∑ 我 = 1 n ∑ j = 1 我 x j 2 ( - - - - - - 5、5 ) n f 5 ( 0 → ) = 0
德容的 f 6 ( x → ) = ∑ 我 = 1 n x 我 2 ( - - - - - - 5、5 ) n f 6 ( 0 → ) = 0
加权球体模型 f 7 ( x → ) = ∑ 我 = 1 n ( 我 · x 我 2 ) ( - - - - - - 5、5 ) n f 6 ( 0 → ) = 0

维搜索所有测试问题我们考虑这是50和500比较算法的性能。我们也选择两个基因变异在细菌或人口,一个<我nl我ne- - - - - -formula> 年代 = 4 和其他<我nl我ne- - - - - -formula> 年代 = 20. 。这里我们需要交叉率固定,实现统一的交叉。对于算法的简单性,我们忽视了消除和传播事件。注意,考虑的参数表中给出的算法 2。我们把100个独立运行的结果和报告的最低,均值和标准差的最后四个算法的目标函数值。这些结果如表所示 3。最后,所有四种不同算法的性能见图 1。

参数用于基准。

算法 参数
CBFOA N c = 50 , N cr = 20. , N 年代 = 3 , p c = 0.7 , C ( 我 ) = 0.01 × 范围 , d 吸引 = 0.001 , w 吸引 = 0.02 , h 排斥的 = 0.001 , w 排斥的 = 10
BFOA N c = 50 , N cr = 20. , N 年代 = 3 , C ( 我 ) = 0.01 × 范围 , d 吸引 = 0.001 , w 吸引 = 0.02 , h 排斥的 = 0.001 , w 排斥的 = 10
ABFOA N c = 50 , N cr = 20. , N 年代 = 3 ,<我nl我ne- - - - - -formula> d 吸引 = 0.001 , w 吸引 = 0.02 , h 排斥的 = 0.001 , w 排斥的 = 10 , λ = 4000年
遗传算法 p c = 0.7 ,<我nl我ne- - - - - -formula> p 米 = 0.3

最小值,平均值和标准偏差的基准函数<我nl我ne- - - - - -formula> f 1 - - - - - - f 7 (代表三部分点)。

函数 统计测量 CBFOA BFOA
p = 50 , 年代 = 4 p = 50 , 年代 = 20. p = 500年 , 年代 = 4 p = 50 , 年代 = 4 p = 50 , 年代 = 20. p = 500年 , 年代 = 4
f 1 最低 1.525 1.319 3.262 1.715 1.456 3.305
的意思是 2.160 1.613 3.392 2.267 1.741 3.437
性病,戴夫。 0.225 0.113 0.048 0.270 0.146 0.052
f 2 最低 0.136 0.134 0.421 0.151 0.136 0.449
的意思是 0.201 0.166 0.485 0.208 0.172 0.498
性病,戴夫。 0.028 0.013 0.021 0.023 0.016 0.019
f 3 最低 164.455 152.077 2712.102 172.454 154.242 2895.302
的意思是 197.770 175.040 2908.327 202.866 183.931 2980.910
性病,戴夫。 15.348 11.728 86.705 15.732 11.577 85.742
f 4 最低 73.536 68.936 5233.215 74.104 70.381 5312.160
的意思是 172.978 112.322 5641.901 163.977 104.736 5806.152
性病,戴夫。 44.929 35.153 218.398 41.819 26.631 219.462
f 5 最低 0.932 0.811 75.667 0.935 0.850 78.766
的意思是 1.302 1.054 88.812 1.363 1.106 91.327
性病,戴夫。 0.193 0.095 4.865 0.195 0.113 4.838
f 6 最低 0.838 0.829 75.353 0.998 0.892 81.900
的意思是 1.319 1.053 88.355 1.366 1.096 91.500
性病,戴夫。 0.193 0.091 5.161 0.203 0.111 4.493
f 7 最低 23.091 19.592 15919.004 23.241 20.682 18340.260
的意思是 33.173 25.865 19284.121 33.991 26.904 20135.431
性病,戴夫。 4.810 2.804 1232.30 6.039 3.076 1050.504
函数 统计测量 ABFOA 遗传算法
p = 50 , 年代 = 4 p = 50 , 年代 = 20. p = 500年 , 年代 = 4 p = 50 , 年代 = 4 p = 50 , 年代 = 20. p = 500年 , 年代 = 4
f 1 最低 3.274 3.182 3.756 3.253 3.334 3.734
的意思是 3.620 3.450 3.837 3.529 3.521 3.797
性病,戴夫。 0.120 0.089 0.030 0.063 0.054 0.015
f 2 最低 0.299 0.256 0.542 0.248 0.225 0.512
的意思是 0.428 0.363 0.648 0.299 0.273 0.560
性病,戴夫。 0.059 0.039 0.040 0.020 0.019 0.014
f 3 最低 16.401 16.526 4265.352 337.504 354.976 4616.801
的意思是 27.678 24.500 4559.012 405.755 401.736 4820.149
性病,戴夫。 5.028 3.219 74.756 18.318 15.624 53.202
f 4 最低 52.703 49.708 8809.955 542.544 486.038 8413.197
的意思是 669.706 233.259 9583.201 615.075 571.955 8814.362
性病,戴夫。 217.473 237.100 318.864 35.159 31.871 139.747
f 5 最低 7.596 6.305 109.191 10.536 9.701 143.726
的意思是 10.175 8.998 118.319 11.954 11.874 151.972
性病,戴夫。 0.949 0.665 4.176 0.593 0.777 2.242
f 6 最低 8.270 7.543 104.974 10.350 9.736 142.649
的意思是 10.181 9.086 118.443 12.179 11.957 152.154
性病,戴夫。 0.792 0.576 3.774 0.635 0.684 2.076
f 7 最低 12.845 11.466 37978.059 230.363 233.034 35713.922
的意思是 18.035 14.753 39957.690 288.583 282.761 37448.482
性病,戴夫。 2.381 1.197 1189.191 20.812 20.009 641.561

性能的CBFOA、ABFOA BFOA和GA的各种功能维度= 50。

《函数图

Griewank函数

Rastrigin函数图

函数。

旋转超椭圆体函数

德容的功能

加权球体模型函数

 5。结论

最近,许多修改细菌觅食优化算法研究了改善学习和收敛速度。研究或多或少地集中得到局部最优或次优的解决方案。然而,本文提出一种修改细菌觅食优化算法寻找全局最优的解决方案适应交叉遗传算法的属性。说明了该算法的性能通过各种基准测试函数。从数值结果,很明显,提出CBFOA优于ABFOA, BFOA, GA早些时候报道。该算法有潜力,可用于各种优化问题、社会觅食模式工作的地方。

刘 Y。 Passino k . M。 生物仿生社会细菌觅食的分布式优化:模型、原则、和紧急行为 优化理论与应用》杂志上 2002年 115年 3 603年 628年 2 - s2.0 - 0036439543 10.1023 /:1021207331209 Passino k . M。 生物仿生的分布式优化和控制细菌觅食 IEEE控制系统杂志 2002年 22 3 52 67年 2 - s2.0 - 0036608987 10.1109 / MCS.2002.1004010 Gazi V。 Passino k . M。 稳定性分析的成群的环境中诱食剂/排斥的概要文件 诉讼的美国控制会议 2002年5月 安克雷奇,阿拉斯加,美国 1819年 1824年 2 - s2.0 - 0036349369 Gazi V。 Passino k . M。 成群的稳定性分析 诉讼的美国控制会议 2002年5月 安克雷奇,阿拉斯加,美国 1813年 1818年 2 - s2.0 - 0036343665 亚伯拉罕 一个。 Biswas 一个。 达斯古普塔 年代。 达斯 年代。 分析细菌觅食优化算法的繁殖算子 《IEEE国会进化计算(CEC ' 08) 2008年6月 1476年 1483年 2 - s2.0 - 55849129620 10.1109 / CEC.2008.4630988 Biswas 一个。 达斯 年代。 达斯古普塔 年代。 亚伯拉罕 一个。 繁殖算子的稳定性分析细菌觅食优化 第五届国际会议上软计算的程序作为跨学科的科学和技术(CSTST ' 08) 2008年10月 纽约,纽约,美国 ACM 564年 571年 2 - s2.0 - 77951597495 10.1145/1456223.1456338 达斯 年代。 达斯古普塔 年代。 Biswas 一个。 亚伯拉罕 一个。 东部赫拉 一个。 趋化现象的动力学的稳定性在bacterial-foraging优化算法 IEEE系统,人,控制论的一部分 2009年 39 3 670年 679年 2 - s2.0 - 67349258540 10.1109 / TSMCA.2008.2011474 达斯古普塔 年代。 达斯 年代。 亚伯拉罕 一个。 Biswas 一个。 自适应计算趋化性细菌觅食优化:一个分析 IEEE进化计算 2009年 13 4 919年 941年 2 - s2.0 - 63849336853 10.1109 / TEVC.2009.2021982 Biswas 一个。 达斯古普塔 年代。 达斯 年代。 亚伯拉罕 一个。 微分的协同进化和细菌觅食优化全局优化 神经网络世界 2007年 17 6 607年 626年 2 - s2.0 - 39049113752 金 d . H。 亚伯拉罕 一个。 赵 j . H。 一种混合遗传算法全局优化和细菌觅食方法 信息科学 2007年 177年 18 3918年 3937年 2 - s2.0 - 34250724957 10.1016 / j.ins.2007.04.002 Biswas 一个。 达斯古普塔 年代。 达斯 年代。 亚伯拉罕 一个。 协同的PSO和细菌觅食优化数值基准比较研究 软计算的进步 2007年 44 255年 263年 2 - s2.0 - 61449110863 10.1007 / 978 - 3 - 540 - 74972 - 1 - _34 米切尔 M。 介绍了遗传算法 1996年 麻省理工学院出版社