吳進 周昊

摘要：在管理、經(jīng)濟、工程和科技領域中，常需要求解多約束條件下的最優(yōu)解問題，群體智能算法是常用的求解方法。細菌覓食優(yōu)化算法（BFO）是近年來提出的一種新型的群體智能算法，不僅在群體智能優(yōu)化理論中具有學術意義，在動態(tài)、多目標、多約束等復雜條件下的工程優(yōu)化求解問題中也具有巨大的應用價值。

關鍵詞：細菌覓食優(yōu)化算法;群體智能算法;智能優(yōu)化算法;BFO

中圖分類號：TP18 文獻標識碼：A

文章編號：1009-3044（2020）06-0073-02

1背景

在實際的工程等領域中，人們常需要選擇最合理、最優(yōu)的解決方案，即“求解最優(yōu)解”問題。從數(shù)學家求解多元函數(shù)極值問題開始，到解決非線性規(guī)劃問題等，最優(yōu)化理論的研究逐步得到進展，各種優(yōu)化方法成為研究熱點。20世紀90年代左右，學者們從大自然中找到靈感，研究了生物啟發(fā)式算法——群體智能算法，如PSO等。近年來，學者從大腸桿菌在人體腸道內(nèi)的覓食行為，提出了細菌覓食優(yōu)化算法fBacterialForagingOpti-mization，BFO），成為群體智能算法的又一研究熱點。

2細菌覓食算法基本原理

細菌作為最簡單的、最古老的無核單細胞生物，具有強韌的生命力，和對復雜環(huán)境的適應性，顯示了其生存活動過程中的優(yōu)化本能。大腸桿菌的覓食行為主要過程可以分為3個步驟：1）尋找可能存在的食物區(qū)域;2）判斷是否進入該區(qū)域;3）經(jīng)過一段時間的食物消耗后，或者當前環(huán)境變得惡劣不適宜生存，細菌消亡或者遷移到其他適宜的覓食區(qū)域。

BFO算法具有并行搜索、易跳出局部極小值等優(yōu)點，被廣泛運用于圖像處理、自動控制、神經(jīng)網(wǎng)絡訓練等多方面問題。細菌覓食優(yōu)化算法主要以趨化、復制、消亡與遷移等三種算子進行迭代和搜索最優(yōu)解，以及種群進化。其中最關鍵的是趨化算子，模擬的是細菌的趨化過程，翻轉(zhuǎn)（Iumble）和游動（swim）。

3細菌覓食優(yōu)化算法的優(yōu)化流程

步驟1：初始化種群，包括各種參數(shù)。如表1所示。

步驟2：設計評價函數(shù)，并求出當前群體各個體的最優(yōu)解。

步驟3：種群進化。分為三層循環(huán)：

（1）遷移循環(huán)（1-1+1）

（2）復制循環(huán)（k=k+1）

（3）趨化循環(huán)（j=i+1）

步驟四：算法結束，輸出群體最優(yōu)解。

整個算法流程圖如圖1所示。

3.2群體交流（即聚集性操作Swarming）

細菌覓食過程中會有交流聚集行為。細菌之間既有引力又有斥力以釋放信號。斥力使其他細菌保持安全距離，不要向其游動。引力使細菌聚集在一起，吸引其他細菌向之游動。

3.3消亡及遷移（Elimination and Dispersal）

當細菌環(huán)境改變時，如食物逐漸耗盡或者其他變化f如溫度突變等），該區(qū)域的細菌種群就會遷移到新的適宜的地方，或者就是死亡。在BFO算法中稱為消亡及遷移操作。

遷移操作讓細菌以概率P^ed被隨機重新分配到另外的空間區(qū)域，原來的細菌個體死亡，并在解空間的其他隨機位置產(chǎn)生新個體。這些新個體也許比較接近全局最優(yōu)解，從而有利于趨向操作跳出局部最優(yōu)解，進而可以在全局尋找最優(yōu)解。

4細菌覓食優(yōu)化算法的應用分析

與其他群體智能算法相比，細菌覓食優(yōu)化算法比較簡單、靈活，也可以與其他各種算法結合產(chǎn)生新的優(yōu)化算法，可以解決多方面的應用問題，具有比較強的適應性和魯棒性?？梢杂糜趫D像處理方面，如圖像分割、圖像增強、特征抽取、人臉識別、圖像配準等;可用于電力系統(tǒng)優(yōu)化方面，如最優(yōu)潮流設計、發(fā)電控制參數(shù)優(yōu)化、電力系統(tǒng)經(jīng)濟調(diào)度、諧波評估等;可用于智能控制方面，如電磁裝置優(yōu)化控制、太陽能追蹤控制系統(tǒng)、非線性動態(tài)系統(tǒng)等;可用于參數(shù)優(yōu)化選擇方面，如各種控制器的參數(shù)設計等;可用于經(jīng)濟管理方面，如車間作業(yè)調(diào)度問題、股票預測等;還有生物信息學DNA序列主題發(fā)現(xiàn)等。但是細菌覓食算法也有不足，如算法參數(shù)比較多比較復雜，計算復雜性較大。

5總結

BFO算法作為群體智能算法中的新的醫(yī)院，已引起了國內(nèi)外大量學者的關注和研究，但是大多數(shù)是針對具體的應用場景，很少是針對算法本身的研究，未來的研究應該從算法參數(shù)改進、算法簡化等學術研究上加以創(chuàng)新，以提高理論深度與應用價值。