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）細菌覓食算法細菌覓食優(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理的模擬而得到的。細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、電力負荷預(yù)測、圖像處理、控制器優(yōu)化設(shè)計等方面得到了廣泛應(yīng)用。 N. Pandit 等146考慮到大種群細菌會影響到求解效率，提出了小種群的進化機制，并將其應(yīng)用到電力系統(tǒng)的機組調(diào)度中。P. D. Sathya 等對大腸桿菌的覓食行為及運動機理進行了認真分析，指出細菌在覓食過程中靈活調(diào)整步長有助于提高覓食效率，并依此對細菌覓食算法進行了改進，并通過腦部核磁共振圖像的閾值分割進行了驗證

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)則提出了一種改進的細菌覓食算法，依此對諧波分量進行估計。R. Majhi等建立了帶權(quán)重的股票走勢預(yù)測模型，并基于細菌覓食算法對權(quán)重進行了訓(xùn)練，以使模型更準確的反映股票走勢。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)的細菌覓食優(yōu)化算法。A. Biswas 等考慮到粒子群算法具有較強的解空間開拓能力的特點，通過在細菌覓食過程中嵌入粒子行為的方式對細菌的趨化行為進行了改進，使細菌感知全局極值的能力得到增強，由此提出了一種混合型細菌覓食算法，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)抽象為一個細菌，基于

3、BP 神經(jīng)網(wǎng)絡(luò)提出一種改進型細菌覓食算法，并將其應(yīng)用到圖像壓縮問題中。V. R. Pandi 等將差分進化算子引入到細菌覓食算法中，提出了一種基于差分進化算子的細菌覓食優(yōu)化算法。馬溪原等結(jié)合細菌覓食算法對混合微電網(wǎng)電源優(yōu)化配置問題進行了研究。 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)能力強的優(yōu)勢，已在多個領(lǐng)域中得到了廣泛的應(yīng)用。M. Eusuff 等結(jié)合管道網(wǎng)絡(luò)擴充中的尺寸優(yōu)化問題對蛙跳算法的求解性能進行了研究。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)有較強依賴性的缺點，提出一種SFLK-means 聚類分析方法。宋曉華等針對支持

4、向量機在中長期負荷預(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關(guān)鍵參數(shù)進行了優(yōu)化，有效避免了支持向量機容易產(chǎn)生“過學(xué)習(xí)”或“欠學(xué)習(xí)”等問題，使得支持向量機能夠獲得更強的學(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動的不確定性，以此來增強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)能力強的遺傳算法與局部尋優(yōu)能力強的禁忌搜索算法結(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)化問題進行了研究。錢潔等為增強進化算法的局部優(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行了改進，并對貼片機貼裝優(yōu)化問題進行了研究。高勇等為提高圖像識別率并降低時間消耗，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