基于细菌觅食与粒子群的改进混合算法

梁樱馨，田浩杉

(兰州交通大学 电子与信息工程学院，甘肃 兰州 730070)

基于细菌觅食与粒子群的改进混合算法

梁樱馨，田浩杉

(兰州交通大学 电子与信息工程学院，甘肃 兰州 730070)

针对粒子群优化算法(PSO)在优化过程中易陷入局部极值而产生“早熟”现象，文中提出一种基于细菌觅食与粒子群的改进混合算法。粒子群优化算法与细菌觅食优化算法的结合，增强了算法的全局搜索能力，使算法具有全局搜索能力强的优点。选用Matlab进行仿真实验，实验结果进一步显示了改进混合算法的优化能力优于基本PSO算法和基本BFO算法，收敛速度快，且具有较好的鲁棒性。

粒子群优化算法；细菌觅食优化算法；改进混合算法

群体智能(Swarm Intelligence, SI)的概念最早由Beni、Hackwood和Wang在分子自动机系统中提出，通过揭示和模拟自然现象而产生的一系列群体智能优化算法，该算法在模式识别、图像处理、工程等众多领域得到广泛的应用[1]。粒子群算法(Particle Swarm Optimization，PSO)是一种智能优化算法，最早由美国的Knnedy和Eberhart教授提出，其思想来源于人工生命和进化计算理论，是以模拟鸟群觅食行为为特征，以求解连续变量优化问题为背景的一种优化算法[2-3]。自PSO算法提出以来，由于它的计算快速性和算法本身的易实现性，引起了国际上相关领域众多学者的广泛关注和研究，经过短短几年时间的发展，已广泛应用于函数优化、人工神经网络训练、模糊系统控制等许多领域。然而，在应用过程中由于PSO算法种群多样性低，局部搜索能力差，搜索精度不够高，易陷入局部极值，造成收敛速度慢，计算复杂度高，最终解不精确的问题。……