智能優(yōu)化 - 副本

1、智能優(yōu)化方法班級：姓名：學(xué)號：智能優(yōu)化方法介紹智能優(yōu)化方法介紹1）細(xì)菌覓食算法細(xì)菌覓食優(yōu)化算法（BFO）是通過對自然界中微生物大腸桿菌覓食行為機(jī)理的模擬而得到的。細(xì)菌覓食算法通常用于連續(xù)域的優(yōu)化問題，并在天線布局優(yōu)化、電力負(fù)荷預(yù)測、圖像處理、控制器優(yōu)化設(shè)計(jì)等方面得到了廣泛應(yīng)用。 N. Pandit 等146考慮到大種群細(xì)菌會影響到求解效率，提出了小種群的進(jìn)化機(jī)制，并將其應(yīng)用到電力系統(tǒng)的機(jī)組調(diào)度中。P. D. Sathya 等對大腸桿菌的覓食行為及運(yùn)動機(jī)理進(jìn)行了認(rèn)真分析，指出細(xì)菌在覓食過程中靈活調(diào)整步長有助于提高覓食效率，并依此對細(xì)菌覓食算法進(jìn)行了改進(jìn)，并通過腦部核磁共振圖像的閾值分割進(jìn)行了驗(yàn)證

2、。S. Mishra針對電力系統(tǒng)諧波分量難以測量的情況，基于模糊規(guī)則提出了一種改進(jìn)的細(xì)菌覓食算法，依此對諧波分量進(jìn)行估計(jì)。R. Majhi等建立了帶權(quán)重的股票走勢預(yù)測模型，并基于細(xì)菌覓食算法對權(quán)重進(jìn)行了訓(xùn)練，以使模型更準(zhǔn)確的反映股票走勢。H. N. Chen 等受自然界生物自適應(yīng)覓食策略的啟發(fā)，提出了自適應(yīng)的細(xì)菌覓食優(yōu)化算法。A. Biswas 等考慮到粒子群算法具有較強(qiáng)的解空間開拓能力的特點(diǎn)，通過在細(xì)菌覓食過程中嵌入粒子行為的方式對細(xì)菌的趨化行為進(jìn)行了改進(jìn)，使細(xì)菌感知全局極值的能力得到增強(qiáng)，由此提出了一種混合型細(xì)菌覓食算法，并應(yīng)用到函數(shù)優(yōu)化問題中。儲穎等將 BP神經(jīng)網(wǎng)絡(luò)抽象為一個(gè)細(xì)菌，基于

3、BP 神經(jīng)網(wǎng)絡(luò)提出一種改進(jìn)型細(xì)菌覓食算法，并將其應(yīng)用到圖像壓縮問題中。V. R. Pandi 等將差分進(jìn)化算子引入到細(xì)菌覓食算法中，提出了一種基于差分進(jìn)化算子的細(xì)菌覓食優(yōu)化算法。馬溪原等結(jié)合細(xì)菌覓食算法對混合微電網(wǎng)電源優(yōu)化配置問題進(jìn)行了研究。 2）蛙跳算法 蛙跳算法是一種新穎的仿生智能優(yōu)化算法，憑借其可調(diào)參數(shù)少及尋優(yōu)能力強(qiáng)的優(yōu)勢，已在多個(gè)領(lǐng)域中得到了廣泛的應(yīng)用。M. Eusuff 等結(jié)合管道網(wǎng)絡(luò)擴(kuò)充中的尺寸優(yōu)化問題對蛙跳算法的求解性能進(jìn)行了研究。B. Amiri 等針對K-means 在數(shù)據(jù)挖掘聚類分析中對初始狀態(tài)有較強(qiáng)依賴性的缺點(diǎn)，提出一種SFLK-means 聚類分析方法。宋曉華等針對支持

4、向量機(jī)在中長期負(fù)荷預(yù)測中關(guān)鍵參數(shù)較難選擇的問題，引入了蛙跳算法對支持向量機(jī)關(guān)鍵參數(shù)進(jìn)行了優(yōu)化，有效避免了支持向量機(jī)容易產(chǎn)生“過學(xué)習(xí)”或“欠學(xué)習(xí)”等問題，使得支持向量機(jī)能夠獲得更強(qiáng)的學(xué)習(xí)能力及預(yù)測能力。D. Y. Tang 等將差分算子引入到蛙跳算法中，并將其應(yīng)用到網(wǎng)格任務(wù)調(diào)度優(yōu)化問題中。王介生等結(jié)合 PID 參數(shù)整定問題，提出一種新的蛙跳規(guī)則，用以模擬青蛙的感知和運(yùn)動的不確定性，以此來增強(qiáng)蛙跳算法的局部搜索能力。林梅金等針對污水生化處理常常受入水流量和質(zhì)量濃度變化的影響而處于動態(tài)反應(yīng)過程，如何確定控制變量動態(tài)最優(yōu)設(shè)定值是其控制優(yōu)化的一個(gè)難題。結(jié)合具有快速尋優(yōu)特性的粒子群優(yōu)化算法，提出了一種混合

5、型蛙跳粒子群算法。3）禁忌搜索算法禁忌搜索算法作為求解優(yōu)化問題的智能算法，也在很多領(lǐng)域中得到了應(yīng)用。E. Diaz 等將禁忌搜索算法應(yīng)用到軟件自動化測試方面。S. Meeran 等將全局尋優(yōu)能力強(qiáng)的遺傳算法與局部尋優(yōu)能力強(qiáng)的禁忌搜索算法結(jié)合起來，提出了混合型禁忌搜索算法，并應(yīng)用于求解車間調(diào)度問題。A. Misevicius 等通過二次指派問題對禁忌搜索算法進(jìn)行了研究。O. Atli基于禁忌搜索算法和精確算法對資源受限的調(diào)度優(yōu)化問題進(jìn)行了研究。錢潔等為增強(qiáng)進(jìn)化算法的局部優(yōu)化能力，結(jié)合量子理論，提出一種具有逆學(xué)習(xí)機(jī)制的量子自適應(yīng)禁忌搜索算法。通過采用一種量子自適應(yīng)鄰域映射機(jī)制，較好的解決了集中性和

6、多樣性搜索的矛盾。通過增加一種能使個(gè)體盡快擺脫劣勢區(qū)域的逆學(xué)習(xí)量子更新模式，有效避免了算法易陷入局部最優(yōu)的缺陷。陳鐵梅等通過引入多元化擾動策略和塊變異算子對禁忌搜索算法進(jìn)行了改進(jìn)，并對貼片機(jī)貼裝優(yōu)化問題進(jìn)行了研究。高勇等為提高圖像識別率并降低時(shí)間消耗，提出了一種基于不變矩的禁忌搜索算法，即在對圖像數(shù)據(jù)進(jìn)行檢測的過程中以不變矩作為主要特征參數(shù)，舍棄其他次要特征，從而加快圖像數(shù)據(jù)檢測的速度。潘茂林等考慮到基于排隊(duì)論的數(shù)學(xué)分析方法難以求解復(fù)雜業(yè)務(wù)流程的資源優(yōu)化配置問題的現(xiàn)狀，提出了基于不同啟發(fā)式規(guī)則的禁忌搜索算法。 總結(jié)AS/RS 優(yōu)化方法的研究已經(jīng)取得較大的進(jìn)展，但隨著現(xiàn)代生產(chǎn)技術(shù)的發(fā)展，問題的復(fù)雜程度和求解精度要求不斷提高，新的問題形態(tài)不斷出現(xiàn)，需要有針對性地對系統(tǒng)優(yōu)化建立新的模型來求解；同時(shí)