第九章其他群体智能算法.

Presentation on theme: "第九章其他群体智能算法."— Presentation transcript:

1 第九章其他群体智能算法

2 第九章其他群体智能算法 一.细菌觅食优化算法 二.人工蜂群算法

3 一.细菌觅食优化算法 引言 Passino在2002年提出了细菌觅食优化算法（Bacterial Foraging Optimization Algorithm, BFOA） 基本思想是模仿Ecoli大肠杆菌在人体肠道内吞噬食物的行为

4 一.细菌觅食优化算法 BFOA的主要步骤 趋化（chemotaxis）：细菌向富养区域聚集的行为称为趋化。在趋化过程中，细菌运动模式包括翻转（tumble）和前进（swim）。细菌向任意方向移动单位步长定义为翻转。当细菌完成一次翻转后，若适应值得到改善，将沿同一方向继续移动若干步，直至适应值不再改善，或达到预定的移动步数临界值。此过程定义为前进。

5 一.细菌觅食优化算法 BFOA的主要步骤 复制（reproduction）：一旦生命周期结束，即达到临界趋化次数，细菌将进行繁殖。细菌的繁殖过程遵循自然界“优胜劣汰，适者生存”原则。以趋化过程中各细菌适应值累加和为标准，较差的半数细菌死亡，较好的半数细菌分裂成两个子细菌。子细菌将继承母细菌生物特性，具有与母细菌相同的位置及步长。为简化计算，可以规定复制过程中细菌总数保持不变。

6 一.细菌觅食优化算法 BFOA的主要步骤 驱散（elimination-dispersal）：趋化过程可确保细菌的局部搜索能力，复制过程能加快细菌的搜索速度，但对于复杂的优化问题，趋化和复制无法避免细菌陷人局部极小现象发生。BFOA引人驱散过程以加强算法全局寻优能力。细菌在完成一定次数的复制后，将以一定概率被驱散到搜索空间中任意位置。

7 二.人工蜂群算法 前言 Karaboga在2005年提出了人工蜂群算法（Artificial Bee Colony Algorithm, ABC） 基本思想是模仿蜜蜂的采蜜行为

8 二.人工蜂群算法 构成要素 食物源（food source）：食物源的价值由多方面的因素决定，如：它离蜂巢的远近，包含花蜜的丰富程度和获得花蜜的难易程度。使用单一的参数，食物源的“收益率”来代表以上各个因素 被雇用的蜜蜂（employed bee）：与所采集的食物源一一对应。储存有某一个食物源的相关信息（相对于蜂巢的距离、方向、食物源的丰富程度等）并且将这些信息以一定的概率与其他蜜蜂分享。

9 二.人工蜂群算法 构成要素 未被雇用的蜜蜂：其主要任务是寻找和开采食物源。有两种未被雇用的蜜蜂：侦查蜂（Scout）和跟随蜂（onlooker bee）。侦察蜂搜索蜂巢附近的新食物源；跟随蜂等在蜂巢里面并通过与引领蜂分享相关信息找到食物源。一般情况下，侦察蜂的平均数目是蜂群的5%-20%。

10 二.人工蜂群算法 算法流程 Initialize population; repeat
Place the employed bees on their food sources and determine their nectar amounts; Calculate the probability value of the sources with which they are preferred by the onlooker bees; Place the onlooker bees on the food sources depending on their nectar amounts; Stop the exploitation process of the sources exhausted by the bees Send the scouts to the search area for discovering new food sources randomly; Memorize the best food source found so far until a stop condition is met

11 如何撰写学术报告 问题描述 算法设计 算例设计 仿真实验设计 仿真实验结果分析 总结与展望