基于集合的细菌群优化算法

›› 2012, Vol. ›› Issue (06): 1491-1497.

基于集合的细菌群优化算法

许鑫¹, 刘衍珩^1,2, 王爱民^1,2, 陈慧灵^1,3, 孙鑫¹

1. 吉林大学计算机科学与技术学院, 长春130012;
2. 吉林大学符号计算与知识工程教育部重点实验室, 长春130012;
3. 温州大学物理与电子信息工程学院, 浙江温州 325035

收稿日期:2012-01-20 出版日期:2012-11-01
通讯作者: 刘衍珩(1958-),男,教授,博士生导师.研究方向:网络安全,移动IP和网络服务质量.E-mail:lyh_lb_lk@yahoo.com.cn E-mail:lyh_lb_lk@yahoo.com.cn
基金资助:
国家自然科学基金项目(60973136,61073164).

Optimization algorithm of bacterial swarm based on the collection

XU Xin¹, LIU Yan-heng^1,2, WANG Ai-min^1,2, CHEN Hui-ling^1,3, SUN Xin¹

1. College of Computer Science and Technology, Jilin University, Changchun 130012, China;
2. Symbol Computation and Knowledge Engineering of Ministry of Education, Jilin University, Changchun 130012, China;
3. College of Physics and Electronic Information, Wenzhou University, Wenzhou 325035, China

Received:2012-01-20 Online:2012-11-01

摘要/Abstract

摘要： 针对细菌觅食优化算法求解高维优化问题时不易跳出局部最优解的问题,引入趋向方向余弦向量和随时间变化的加速系数,控制细菌觅食优化算法的收敛精度和收敛速度,并将改进算法用于求解组合优化问题。依据细菌种群密度计算原则,设计了一种离散空间和连续空间之间相互转换的规则,同时用集合对细菌觅食优化算法中的算术运算符形式化描述。仿真试验结果表明:基于集合的细菌群优化算法避免了早熟现象,寻优结果优于蚁群算法且接近基于集合的粒子群算法。

关键词: 人工智能, 组合优化问题, 离散空间, 细菌觅食优化算法, 细菌群优化算法

Abstract: The conventional Bacterial Foraging Optimizer (BFO) is easy to get stuck in local minima in solving high dimensional optimization problems. This paper proposes an adaptive Bacterial Swarm Optimizer (BSO) with time-varying acceleration coefficients to solve the local-optimal problems of BFO. The proposed method, termed as ABSO-TVAC, is applied to optimize Combinatorial Optimization Problems (COPs). When dealing with COPs, according to the cell-to-cell signaling in E. coli swarm, a conversion rule between continuous space and discrete one is designed. All arithmetic operators in the velocity and position updating rules used in the ABSO-TVAC are described in a manner of set. Simulation shows that the proposed algorithm has the capability to avoid the premature problem, and it is superior to Ant Colony Optimization (ACO) and comparable to set-based particle swarm optimization.

Key words: artificial intelligence, combinatorial optimization problems, discrete space, bacterial foraging optimizer, optimization algorithm of bacterial swarm

中图分类号:

TP18

许鑫, 刘衍珩, 王爱民, 陈慧灵, 孙鑫. 基于集合的细菌群优化算法[J]. , 2012, (06): 1491-1497.

XU Xin, LIU Yan-heng, WANG Ai-min, CHEN Hui-ling, SUN Xin. Optimization algorithm of bacterial swarm based on the collection[J]. , 2012, (06): 1491-1497.

参考文献

[1] 白洪涛, 欧阳丹彤, 李熙铭, 等. 基于GPU的共享信息素矩阵多蚁群算法[J]. 吉林大学学报:工学版,2011, 41(6):1678-1683. Bai Hong-tao, Ouyang Dan-tong, Li Xi-ming, et al. Multiple ant colonies sharing common pheromone matrix based on GPU[J]. Journal of Jilin University (Engineering and Technology Edition), 2011, 41(6):1678-1683.
[2] Akyol D E, Bayhan G M. A review on evolvtion of production scheduling with neural networks[J]. Computers and Industrial Engineering,2007,53(1):95-122.
[3] Passino K M. Biomimicry of bacterial foraging for distributed optimization and control[J]. IEEE Control Systems. Magazine, 2002, 22(3):52-67.
[4] Wu Chun-guo, Zhang Na, Jiang Jing-qing, et al. Improved bacterial foraging algorithms and their applications to Job-Shop scheduling problems[J]. Lecture Notes in Computer Science, 2007, 4431:562-569.
[5] Chen W N, Zhang J, Henry S H, et al. A novel set-based particle swarm optimization method for discrete optimization problems[J]. IEEE Transactions on Evolutionary Computation, 2010, 14(2):278-300.
[6] Dasgupta S, Das S, Abraham A, et al. Adaptive computational chemotaxis in bacterial foraging optimization: an analysis[J]. IEEE Transactions on Evolutionary Computation, 2009, 13(4):919-941.
[7] Alaya I, Solnon C, Ghéira K. Ant algorithm for the multidimensional knapsack problem[C]//Proceedings of International Conference on Bioinspired Optimization Methods and Their Applications (BIOMA), Slovenia, 2004:63-72.

相关文章 15

[1]	董飒, 刘大有, 欧阳若川, 朱允刚, 李丽娜. 引入二阶马尔可夫假设的逻辑回归异质性网络分类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1571-1577.
[2]	顾海军, 田雅倩, 崔莹. 基于行为语言的智能交互代理[J]. 吉林大学学报(工学版), 2018, 48(5): 1578-1585.
[3]	王旭, 欧阳继红, 陈桂芬. 基于垂直维序列动态时间规整方法的图相似度度量[J]. 吉林大学学报(工学版), 2018, 48(4): 1199-1205.
[4]	张浩, 占萌苹, 郭刘香, 李誌, 刘元宁, 张春鹤, 常浩武, 王志强. 基于高通量数据的人体外源性植物miRNA跨界调控建模[J]. 吉林大学学报(工学版), 2018, 48(4): 1206-1213.
[5]	黄岚, 纪林影, 姚刚, 翟睿峰, 白天. 面向误诊提示的疾病-症状语义网构建[J]. 吉林大学学报(工学版), 2018, 48(3): 859-865.
[6]	李雄飞, 冯婷婷, 骆实, 张小利. 基于递归神经网络的自动作曲算法[J]. 吉林大学学报(工学版), 2018, 48(3): 866-873.
[7]	刘杰, 张平, 高万夫. 基于条件相关的特征选择方法[J]. 吉林大学学报(工学版), 2018, 48(3): 874-881.
[8]	王旭, 欧阳继红, 陈桂芬. 基于多重序列所有公共子序列的启发式算法度量多图的相似度[J]. 吉林大学学报(工学版), 2018, 48(2): 526-532.
[9]	杨欣, 夏斯军, 刘冬雪, 费树岷, 胡银记. 跟踪-学习-检测框架下改进加速梯度的目标跟踪[J]. 吉林大学学报(工学版), 2018, 48(2): 533-538.
[10]	刘雪娟, 袁家斌, 许娟, 段博佳. 量子k-means算法[J]. 吉林大学学报(工学版), 2018, 48(2): 539-544.
[11]	曲慧雁, 赵伟, 秦爱红. 基于优化算子的快速碰撞检测算法[J]. 吉林大学学报(工学版), 2017, 47(5): 1598-1603.
[12]	李嘉菲, 孙小玉. 基于谱分解的不确定数据聚类方法[J]. 吉林大学学报(工学版), 2017, 47(5): 1604-1611.
[13]	邵克勇, 陈丰, 王婷婷, 王季驰, 周立朋. 无平衡点分数阶混沌系统全状态自适应控制[J]. 吉林大学学报(工学版), 2017, 47(4): 1225-1230.
[14]	王生生, 王创峰, 谷方明. OPRA方向关系网络的时空推理[J]. 吉林大学学报(工学版), 2017, 47(4): 1238-1243.
[15]	马淼, 李贻斌. 基于多级图像序列和卷积神经网络的人体行为识别[J]. 吉林大学学报(工学版), 2017, 47(4): 1244-1252.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed