自适应蝙蝠算法优化的模糊聚类及其应用

合集下载

ANFIS简介

ANFIS简介自适应网络模糊推理系统，也称为基于网络的自适应模糊推理系统(Adaptive Network-based Fuzzy Inference System)，简称ANFIS。

ANFIS由加利福尼亚大学伯克利分校的Jang Roger于1993年提出，是一种综合了神经网络自适应性的模糊推理系统。

它综合神经网络的学习算法和模糊推理的简洁形式，通过对训练数据组的学习，以产生数值解。

因此，该模型既具有学习机制，又具有模糊系统的语言推理能力等优点。

自开发出来至今，ANFIS不同学科领域都取得了广泛的应用。

模糊推理系统的学习归结为对条件参数（非线性参数）与结论参数（线性参数）的调整。

对于所有参数，均可采用基于梯度下降的反向传播算法来调整参数，而采用一种混合算法可以提高学习的速度。

混合算法中条件参数仍采用反向传播算法调整，而结论参数采用线性最小二乘估计算法调整。

ANFIS 结构有五层，其结构如图6所示，为简单起见，假定所考虑的模糊推理系统有两个输入x 和y ，输出为f ，均为可提供的数据对，网络同一层的每个节点具有相似的功能，用1,i O 表示第一层第i 个节点的输出，依此类推。

图 6 典型ANFIS 的结构第一层：输入参数的选择和模糊化，它是模糊规则建立的第一步。

该层每个节点i 是以节点函数表示的方形节点1,(),1,2i Ai O x i μ== 1,(2)(),3,4i B i O y i μ-==i A 和2i B -是与该节点函数相关的语言变量，如“大”、“小”或“高”“低”等，或者说 1,i O 是模糊集A （A =1A ，2A ，1B ，2B ）的隶属度函数，通常可以选用钟型函数。

21()1[()]i Ai b i i x x c a μ=-+其中，{,,}i i i a b c 为隶属函数的参数集合。

另外，三角隶属函数（trimf ）、梯形隶属函数（trapmf ）等都是模糊化时常用的函数[45]。

anfis知识解读

anfis知识解读
ANFIS，全称自适应模糊神经网络（Adaptive-Network-based Fuzzy Inference Systems），是一种基于模糊推理的神经网络。

它对规则的判定方式主要有两种：基于网格和基于聚类。

这两种模型在网络结构上略有不同。

基于网格的ANFIS假定模糊推理系统有x和y两个输入，一个输出z。

对于基于聚类的ANFIS，它首先根据输入数据确定模糊集合的隶属度函数，然后根据这些隶属度函数确定神经网络的连接权重。

在ANFIS中，自适应能力主要体现在网络结构和参数的动态调整上。

例如，当输入数据变化时，ANFIS能够自动调整其网络结构和参数以适应新的数据模式。

这种自适应性使得ANFIS在处理不确定性和模糊性问题时具有很大的优势。

总的来说，ANFIS是一种强大的工具，可以用于各种不同的应用领域，包括图像处理、语音识别、自然语言处理等。

求解高维函数优化问题的交叉熵蝙蝠算法

【主题：求解高维函数优化问题的交叉熵蝙蝠算法】1.概述在现代科学和工程中，高维函数优化问题是一个十分重要且具有挑战性的问题。

针对这一问题，人们提出了各种各样的优化算法，其中包括了蝙蝠算法。

在本文中，我们将主要探讨一种用于求解高维函数优化问题的蝙蝠算法的变种——交叉熵蝙蝠算法，并深入讨论其原理、优势以及应用。

2.交叉熵蝙蝠算法的基本原理交叉熵蝙蝠算法是一种基于自然界中蝙蝠裙体觅食行为的优化算法。

它模拟了蝙蝠的搜索策略，通过调整蝙蝠的位置和频率来实现目标函数的最优化。

与传统蝙蝠算法相比，交叉熵蝙蝠算法在蝙蝠的位置更新和频率调整上引入了交叉熵理论，从而更好地适应了高维函数优化问题的特点。

具体来说，交叉熵蝙蝠算法通过不断调整蝙蝠裙体中每只蝙蝠的位置和频率，以逐步优化目标函数的取值。

在搜索的过程中，交叉熵蝙蝠算法引入了交叉熵概率来指导蝙蝠对目标的搜索方向和强度，使得算法具有更好的全局搜索能力和收敛速度。

通过不断迭代，蝙蝠裙体逐渐聚集到目标函数的最优解附近，从而得到最优解。

3.交叉熵蝙蝠算法的优势与传统的优化算法相比，交叉熵蝙蝠算法具有以下几点优势：（1）全局搜索能力强：交叉熵蝙蝠算法在搜索过程中引入了交叉熵概率，能够有效地引导蝙蝠裙体对目标进行全局搜索，从而避免陷入局部最优解。

（2）收敛速度快：由于引入了交叉熵概率，交叉熵蝙蝠算法能够在搜索过程中自适应调整蝙蝠的搜索方向和强度，从而加快算法的收敛速度，降低了求解高维函数优化问题的时间成本。

（3）适应性强：交叉熵蝙蝠算法能够自适应地调整蝙蝠的位置和频率，适应了不同问题的特点，具有更好的通用性和适用性。

4.交叉熵蝙蝠算法的应用交叉熵蝙蝠算法在实际问题中已经得到了广泛的应用，尤其在求解高维函数优化问题上表现出色。

在电力系统中的最优潮流计算、无线传感器网络中的能量优化以及机器学习领域的参数优化等问题中，交叉熵蝙蝠算法都取得了较好的效果。

5.个人观点与总结从个人角度来看，交叉熵蝙蝠算法作为一种新兴的优化算法，在求解高维函数优化问题方面表现出了很好的性能。

蝙蝠算法原理

蝙蝠算法原理概述蝙蝠算法（Bat Algorithm）是一种基于蝙蝠群体行为的优化算法，由Xin-She Yang于2010年提出。

蝙蝠算法模拟了蝙蝠在寻找食物和规避障碍物时的行为，通过一系列的更新规则来逐步搜索最优解。

蝙蝠算法在解决连续优化问题和离散优化问题上都具有很好的性能。

蝙蝠群体行为模拟蝙蝠算法的核心思想是通过模拟蝙蝠群体的行为来解决优化问题。

蝙蝠在寻找食物的过程中会发出超声波，通过接收回声来确定周围环境的信息。

在算法中，每个蝙蝠表示一个潜在的解，其位置和频率表示解的位置和适应度值。

蝙蝠位置更新蝙蝠在搜索过程中通过调整自身的位置来逐步接近最优解。

蝙蝠在更新位置时会受到四个因素的影响：自身位置、最优位置、全局最优位置和随机扰动。

更新位置的公式如下：新位置 = 当前位置 + 飞行速度× 方向其中，新位置是蝙蝠的下一次位置，当前位置是蝙蝠的当前位置，飞行速度是蝙蝠的飞行速度，方向是蝙蝠的移动方向。

蝙蝠通过改变飞行速度和方向来探索不同的搜索空间。

蝙蝠频率更新蝙蝠在搜索过程中还会不断地调整自身的频率来改变其敏感度。

敏感度越高，蝙蝠对周围环境的感知能力就越强。

蝙蝠的频率更新公式如下：新频率 = 最小频率 + (最大频率 - 最小频率) × λ其中，新频率是蝙蝠的下一次频率，最小频率和最大频率是蝙蝠频率的范围，λ是一个在0到1之间的随机数。

通过改变频率，蝙蝠可以在探索和利用已知信息之间进行平衡。

蝙蝠响应更新蝙蝠在更新位置和频率后，还会根据自身适应度值来决定是否接受新位置或频率。

适应度值越高，蝙蝠越有可能接受新的位置或频率。

蝙蝠的位置和频率更新公式如下：若适应度值 > 全局最优适应度值，则接受新位置和频率若适应度值 <= 全局最优适应度值，则按照一定概率接受新位置和频率通过适应度值的比较和随机概率，蝙蝠可以在全局搜索和局部搜索之间进行切换，以避免陷入局部最优解。

算法流程蝙蝠算法的整体流程可以概括为以下几个步骤：1.初始化蝙蝠的位置和频率。

群体智能优化算法-蝙蝠算法

第十章蝙蝠算法10.1介绍蝙蝠算法（Bat Algorithm，BA）是一种基于群体智能的算法，是受微型蝙蝠的回声定位的启发，由Xin-She Yang(Yang, 2010a)[1]于2010年提出的。

大多数微型蝙蝠将声音辐射到周围环境，并聆听这些声音来自不同物体的的回声，从而可以识别猎物，躲避障碍物，并追踪黑暗的巢穴。

声音脉冲因蝙蝠的种类而异，基本上，频率调谐是一种突变，因为它在解中引起波动，主要是在较好的解附近，尽管较大的突变导致全局搜索。

特定的选择是通过对相对恒定的选择施加压力来实现的，这是由于在目前已经建立的种群中使用了最优解。

与遗传算法相比，没有明显的交叉;然而，响度和脉冲发射的偏差会导致变异的不同。

另外，还有一种自动缩放的功能，即随着搜索在响度和脉冲发射率的变化上接近全局最优，利用就会变得集中起来，这导致从探索阶段自动切换到利用阶段。

10.2蝙蝠的自然行为概述蝙蝠是唯一有翅膀的哺乳动物，它们具有非凡的回声定位能力。

它们是世界上种类第二多的哺乳动物，有超过1200种。

一般分为蝙蝠可以分为两类：回声定位微型蝙蝠和以水果为食的巨型蝙蝠。

蝙蝠算法是由Yang Xin-She (2010a)[1]基于第一类蝙蝠的行为而开发的。

大多数蝙蝠以倒挂的栖息姿势休息。

所有的微型蝙蝠和一些巨型蝙蝠都会发出超声波来产生回声。

微型蝙蝠的大脑和听觉神经系统可以通过比较出站脉冲和反复出现的回声，对环境产生深入的图像。

微型蝙蝠发出这些超声波(通过喉部产生)通常通过嘴巴，偶尔通过鼻子，它们会在回声返回前就结束发出超声波。

回声定位可以是低负荷循环，也开始是高负荷循环，第一种情况时，蝙蝠可以根据时间区分它们的叫声和多次出现的回声；第二种情况时，蝙蝠发出不间断的叫声，并在频率上将脉冲和回声分离。

回声定位也被称为生物声纳，主要用于动物的导航和觅食。

在这些回声的帮助下，蝙蝠测量物体的大小和距离，有些种类的蝙蝠甚至能够测量物体移动的速度。

自适应变异的蝙蝠算法

自适应变异的蝙蝠算法岳小雪;郑云水;林俊亭【摘要】针对基本蝙蝠算法(BA)寻优精度不高、收敛速度慢和易早熟收敛的问题,提出一种改进的具有自适应变异机制的蝙蝠算法,用以求解复杂函数问题;利用K-means聚类对蝙蝠种群进行初始化,使种群在搜索空间分布更为均匀;采用根据迭代次数自适应变化的控制概率Pt判断算法是否进行高斯变异,增强种群多样性,促使蝙蝠个体跳出局部极值点;将自然选择思想引入BA,提高算法搜索速度,避免早熟收敛;选取几个典型函数进行测试,结果表明改进算法优化性能有了显著提高,具有较快的收敛速度,较高的寻优精度、收敛稳定性和收敛可靠性,验证了改进蝙蝠算法(IBA)的有效性及优越性.【期刊名称】《计算机测量与控制》【年(卷),期】2015(023)002【总页数】5页(P516-519,528)【关键词】聚类;自适应变异;蝙蝠算法;自然选择;早熟收敛【作者】岳小雪;郑云水;林俊亭【作者单位】兰州交通大学自动化与电气工程学院,兰州 730070;兰州交通大学自动化与电气工程学院,兰州 730070;兰州交通大学自动化与电气工程学院,兰州730070【正文语种】中文【中图分类】TP301.60 引言蝙蝠算法（bat algorithm，BA）是剑桥学者X.S.Yang.于2010年提出的一种模拟自然界中蝙蝠利用回声定位搜索捕食猎物的新颖的随机型全局优化算法。

BA 作为一种新的群智能优化算法，模型简单，收敛速度快，具有潜在并行性和分布式等优点，已将其成功用于多目标优化［2］，工程优化［3］，PFSP调度［4］，神经网络优化［5］，0－1规划［6］，分类［7］等问题中。

但BA 与其他群智能优化算法一样，易陷入局部最优，迭代后期多样性差，收敛精度不高。

针对上述问题，2013 年刘长平等提出了具有Lévy飞行特征的蝙蝠算法［8］，改善了算法优化性能，同时减少了算法参数。

2014年肖辉辉等提出了基于DE算法改进的蝙蝠算法［9］，有效地避免了算法陷入局部最优问题。

蝙蝠算法改进及其在认知无线电频谱分配中的应用

摘要最优解一直是人们在工程项目中追求的目标，但随着人们研究的问题越来越复杂，规模越来越大，约束条件也越来越多，求解最优解变得愈发困难，如动态规划，组合优化随着问题规模的增长，传统方法无法在有效时间内得到最优解，而元启发式算法在求解这些问题上有着独特的优势。

蝙蝠算法是元启发式算法中的一种，具有参数少、结构简单、收敛速度快、能很好平衡局部搜索和全局搜索等优点，被广泛应用到许多领域。

本文对该算法进行深入分析和研究，针对其不足进行改进，以提升蝙蝠算法的优化性能。

主要包括以下几个方面：①原始蝙蝠算法通过频率f改变蝙蝠飞行的步长，向当前最优解学习，步长是随机的。

为了加速收敛，在改进蝙蝠算法中，依据蝙蝠与种群中当前最优位置的距离大小而选择不同的更新策略。

若距离较远，则向最优位置随机飞行一段距离，若距离较近，表明该蝙蝠就在最优位置附近，则就在附近随机搜索。

②通过分析蝙蝠的飞行轨迹，发现造成早熟的原因主要是蝙蝠种群多样性下降，仅仅依靠当前全局最优解指导其他蝙蝠寻优，没有跳出局部最优值的机制。

因此，将量子行为的蝙蝠引入到蝙蝠算法中，以利于增加种群的多样性跳出局部最优解，避免算法早熟。

③在搜索时，不但通过当前全局最优解指导其他蝙蝠寻优，而且依靠所有蝙蝠平均最好位置指导蝙蝠寻优，平均最好位置考虑了种群中各蝙蝠经历过的最好位置，使得远离最好位置的蝙蝠飞行到其附近，有助于加快算法的收敛速度。

为了验证改进蝙蝠算法的有效性，通过标准测试函数对算法的寻优能力进行测试，仿真实验结果表明，改进蝙蝠算法能有效提高寻优精度，加快算法的收敛速度。

为了拓展蝙蝠算法的应用范围，将蝙蝠算法应用在认知无线电中的频谱分配。

由于频谱分配问题是离散域优化问题，因此，需要对蝙蝠算法进行离散化处理。

针对基于图论模型下频谱分配，离散化处理后的蝙蝠算法（二进制蝙蝠算法）的优化结果并不好。

因此，对二进制蝙蝠算法进行改进，以提高系统效益。

主要从以下几个方面进行改进：①将蝙蝠算法的选择策略改为贪婪选择，增强了蝙蝠算法在当前位置的开发能力。

基于改进蝙蝠算法的PSS参数优化研究

基于改进蝙蝠算法的PSS参数优化研究蝙蝠算法（Bat Algorithm，BA）是一种基于自然界中蝙蝠群体行为的优化算法，它模拟了蝙蝠在寻找食物或者捕捉猎物时的行为，并通过相互之间的声波通信和移动来实现全局和局部。

然而，传统的蝙蝠算法存在着易陷入局部最优解和收敛速度慢的问题。

本文将对蝙蝠算法进行改进，以提高其收敛速度和优化性能。

首先，本文针对蝙蝠算法易陷入局部最优解的问题，提出了一种自适应的蝙蝠频率调节策略。

传统的蝙蝠算法中，蝙蝠之间的频率是固定的，没有进行调整，这样容易导致算法陷入局部最优解。

为了解决这个问题，本文提出了一种自适应的蝙蝠频率调节策略，即通过计算每一轮迭代中每一只蝙蝠的频率变化量，然后根据变化量调整所有蝙蝠的频率，使得蝙蝠能够更好地在空间中进行探索，避免陷入局部最优解。

其次，本文还对蝙蝠算法的局部能力进行了改进，提出了一种新的局部策略。

传统的蝙蝠算法中，局部是通过调整蝙蝠的位置来实现的。

然而，这种方法容易导致算法陷入局部最优解，因为蝙蝠的移动范围是有限的。

本文提出了一种新的局部策略，即蝙蝠之间通过声波通信来实现局部。

具体来说，当蝙蝠在空间中找到一个较好的解时，会通过发送声波的方式通知其他蝙蝠，其他蝙蝠接收到声波后会朝着发送声波的蝙蝠的方向移动，从而实现局部。

这种局部策略能够利用蝙蝠之间的协同效应，提高算法的优化性能。

最后，本文对改进的蝙蝠算法进行了PSS参数优化研究。

PSS（Power System Stabilizer）参数优化是电力系统中的一个重要问题，目标是通过调整PSS的参数来提高电力系统的稳定性和响应性能。

本文将改进的蝙蝠算法应用于PSS参数优化问题中，并通过对IEEE 14节点标准系统进行仿真实验，验证了改进的蝙蝠算法的有效性和优化性能。

总之，本文基于改进蝙蝠算法进行了PSS参数优化研究，并提出了自适应的蝙蝠频率调节策略和新的局部策略，以提高算法的收敛速度和优化性能。

动态权重的蝙蝠算法在图像分割中的应用研究

Abstract：The traditional Minimum Cross Entropy Threshold segmentation method（MCET）uses an exhaustive search form, which has the disadvantages of large computational complexity and low segmentation efficiency, which largely limits its application. Aiming at the shortcomings of the minimum cross entropy segmentation method, an improved Bat Algorithm（BA）is proposed to search the optimal solution of the threshold. Making adaptive adjustments to the weight parameters in the BA algorithm, the inertial weighting strategy that changes with the number of iterations is applied to the BA algorithm update formula, and three different improved strategies are given to solve the problem of the decline of the convergence speed of the original BA algorithm as it approaches the optimal solution. The Improved optimal BA algorithm （IBA）is applied to the minimum cross-entropy multi-threshold image segmentation. In order to explore the performance of the segmentation algorithm, it is compared with the basic BA algorithm, the Improved Particle Swarm Optimization algorithm（IPSO）, and the Fuzzy Clustering method（FC）. Experimental results show that the proposed IBA algorithm is significantly better than other algorithms in terms of operation speed and segmentation accuracy. Key words：swarm intelligence optimization algorithm; Bat Algorithm（BA）; multi-threshold image segmentation; minimum cross entropy

基于混沌映射与高斯扰动的蝙蝠优化算法

群体智能优化算法是以自然界生物觅食、避障等行为方式为灵感创造的一类启发式方法，其包括粒子群优化算法[1]、蝴蝶优化算法[2]和灰狼优化算法[3]等。

由于蝙蝠算法[4]（BA）具有结构简单、收敛速度快和参数少等优点，因此广泛应用于无线传感器网络定位[5]、图像分割[6]和路径规划[7]等。

作为一种有效解决复杂优化问题的启发式算法，虽然BA 算法广泛应用于实际问题中，但是该算法执行后期存在寻优精度不足、局部搜索能力较差的缺点。

针对上述缺点，文献[8]引入开关函数来控制蝙蝠个体有序发生变异操作，并将均匀变异和高斯变异加速算法定位到全局最优解区域。

文献[9]将几种边界变异策略进行比较，并提出利用越界重置策略对飞越解空间的蝙蝠位置进行重新分配。

文献[10]针对BA算法速度更新公式的不足，在速度更新公式中引入惯性权重因子来改变速度更新的方向，便于算法跳出局部最优。

该文提出了一种基于混沌映射与高斯扰动的蝙蝠优化算法（TGBA），该算法采用Tent映射和高斯扰动策略对标准BA算法进行了改进，并将测试结果与BA算法、基于惯性权重的BA算法（IWBA）[10]和新型BA算法（IBA）[11]进行了比较。

1 蝙蝠算法蝙蝠算法是受微型蝙蝠利用回声定位系统觅食行为的启发提出的一种新型群智能优化算法[4]。

在搜索过程中，蝙蝠通过相互传递各自的信息来寻找群体的最优解。

在整个解空间中，蝙蝠种群初始化、蝙蝠频率、速度和位置更新计算如公式（1）~公式（4）所示。

y i，j=ymin，j+rand·（y max，j-y min，j）（1）式中：y i，j为第i只蝙蝠在第j维搜索下的空间位置；i=1，2，…，n；j=1，2，…，d；y min，j为j维搜索的下边界；rand 为随机数，rand∈[0，1]；y max，j为j维搜索的上边界。

f i=fmin+（f max-f min）α（2）v i t=v i t-1+（y i t-1-y*）f i（3）y i t=y i t-1+v i t （4）式中：f i为第i只蝙蝠脉冲的当前频率值；f min为脉冲频率最小值；f max为脉冲频率最大值；α为[0，1]中服从均匀分布的随机数；v t i和y t i分别为第i只蝙蝠在t时刻的速度和位置；y*为t时刻全局搜索过程中的最优位置。

蝙蝠算法的一种改进

蝙蝠算法的一种改进薛威力;贺兴时;杨新社【摘要】为了保持蝙蝠算法快速搜索能力，并提高算法寻优精度和搜索能力，分析蝙蝠算法适应度值方差与搜索过程中影响蝙蝠音量和脉冲发生率变化的参数的关系，为了维持解的多样性，动态调整蝙蝠算法搜索过程中影响蝙蝠音量和脉冲发生率变化的参数，并对适应度值进行扰动，提出了一种基于方差改进的蝙蝠算法（The improved Bat Algorithm based on the Variance ，VBA），并通过7个标准测试函数分别对BA和VBA进行测试，结果表明，VBA的寻优性能优于BA．%In order to make the Bat Algorithm maintaining the strong search ability , and to improve the local search ability and the accuracy of the search for the optimal solution .An improved bat algorithm was proposed—the improved bat algorithm based on the variance (VBC).In this paper, the relationship between the parameters and the fitness variance of bat algorithm was analyzed .In order to maintain the diversity of solution it is to adjust pa-rameters that affect the bat's volume and pulse generating at the search process of bat algo-rithm and to disturb the values .And it used BA and VBA to carry out numerical experiments for 7 test benchmarks .The results showed that VBA was superior to the BA .【期刊名称】《哈尔滨商业大学学报（自然科学版）》【年(卷),期】2016(032)006【总页数】7页(P706-712)【关键词】蝙蝠算法;调整参数;自适应蝙蝠算法;适应度值方差【作者】薛威力;贺兴时;杨新社【作者单位】西安工程大学理学院，西安710048;西安工程大学理学院，西安710048;西安工程大学理学院，西安710048; 密德萨斯大学科学与技术学院，英国伦敦NW4 4BT【正文语种】中文【中图分类】TP18蝙蝠算法是Xin-she Yang在2010年基于回声定位特性提出的一种算法[1].在适当简化下的特殊情况.为了提高蝙蝠算法性能，已研究出各种进化的、有效的变种蝙蝠算法.如杨新社[2]提出了多目标蝙蝠算法(MOBA)，且已证明其在解决工程中一些设计基准问题上的有效性，Lin等人[3]提出了一种利用Levy飞行和混沌映射实现动态生物系统参数估计的CBA算法，WANG G 等人[4]将和声搜索算法与蝙蝠算法相结合, 得到了用于优化函数基准数值的混合蝙蝠算法. 贺兴时等人[5]提出了基于模拟退火高斯扰动的蝙蝠优化算法.由于蝙蝠算法的具有快速收敛、效率高等特点，使该算法在多个学科和工程领域得到了广泛的应用[6-8].然而，如果我们允许通过快速改变和使算法快速切换到开发阶段，将导致算法在一些初始阶段之后出现停滞.本文提出通过维持解的多样性来提高算法的寻优精度.蝙蝠算法的思想首先设定以下理想的规则：1) 所有的蝙蝠利用超声波回音的感觉差异来判断食物/猎物和障碍物之间的差异；2) 蝙蝠是以速度vi，位置xi和固定频率fmin(或波长λ)随机飞行的，并用不同的波长λ(或频率f)和音量A0来搜索猎物.它们会根据猎物的接近程度自动调整他们发出脉冲的波长(或频率)；3) 虽然音量在不同形式下变化不同，这里我们假设音量是随着从一个很大的(正数)A0到最小值Amin的变化.另一个明显的简化是用无限追踪来估计时间的延迟和三维地形的.虽然它在几何计算中的应用非常好，但是我们还是用不到它，因为我们面临的大多是多维问题.在t时刻下d维搜索空间中定义蝙蝠的位置和速度的更新方式fi=fmin+(fmax-fmin)β其中: β∈[0,1]是一个服从均匀分布的随机向量.此处的x*表示当前全局最优位置(解)，它是在所有n只蝙蝠搜索到的解中进行比较而得到的位置.对于局部搜索，一旦在当前最优解中选中了一个解，那么每只蝙蝠是按照随机游走产生的局部新解xnew=xold+εAt其中:ε∈[-1,1] 是一个随机数，是所有蝙蝠在同一个时间段的平均音量.在一定程度上，BA可以看作是标准粒子群优化和强化的局部搜索的平衡结合，其平衡是受音量和脉冲发生率的控制.当蝙蝠找到猎物时，音量就会降低，同时脉冲发生率就会增加，音量会以任意简便的值改变. 音量Ai和脉冲发生率ri按照以下迭代过程更新.其中:α和γ为常量.实际上，α类似于本文中前面讨论过的模拟退火中一个冷却过程的冷却因素.对任意的0<α<1,γ>0，有最简单的情况是令α=γ，在我们的实现中，使用的是α=γ=0.9.蝙蝠算法中参数选择要有一定的经验.起初，每一只蝙蝠都有不同的音量值和脉冲发生率，并且它的行为是随机的.例如，初始化音量通常取值在[1,2]左右，初始脉冲发生率可以在0的附近，或是中的任何值.只要改进新解，他们的音量和脉冲率就要更新，这是意味着那些蝙蝠会一直向着最优解飞进.影响音量和脉冲发生率的参数α和γ的固定取值0.9不利于蝙蝠算法跳出局部最优，影响算法的性能[3, 5]，通过分析得参数α和γ的精细调整可以提高蝙蝠算法的寻优性能.另外，对蝙蝠算法的研究发现算法在后期易陷入局部最优，通过参数调整对算法进行改进可以避免算法过早的陷入局部最优.若为第t代种群对应的适应度值，为对应的均值，σ(t)为对应的方差.分析得：σ(t)影响种群多样性，σ(t)越大搜索范围越大，就可以保持种群较大的多样性，使算法更好的搜索到最优解；反之，由于种群多样性小，则算法易陷入局部最优.在蝙蝠算法搜索过程中，适应度值的方差逐渐变小，分析算法过程可知，算法的多样性随着算法运行将减小，使适应度值的方差变小，影响算法的全局搜索能力.当适应度值方差变化较小时对蝙蝠位置进行高斯扰动使算法适应度值的多样性增加，并通过调整影响音量和脉冲发生率的参数α和γ的控制算法的收敛速度及收敛精度，从而有效避免算法陷入局部最优.根据此思想提出以下改进算法的思路.为使蝙蝠算法保持高效，结合适应度值方差提出使参数α和γ随算法进程动态变化的策略：在算法前期α相对小的值，被更新音量的变化量相对大，使算法保持很强的全局搜索能力；在算法后期此时适应度值多样性减小，α相对大的值，提高算法的局部搜索能力.提出用式(9)实现参数α的自适应策略：α=αmax-αmin*ec*NI其中: NI为当前迭代次数,maxgen为最大迭代次数.实现了在算法前期以全局搜索为主、局部搜索为辅，以期能在全局范围内快速锁定最优值可能存在的若干区域；而后对算法保持一定全局搜索能力的同时，局部搜索逐渐加强，以期能提高收敛的速度和精度，又不至于陷入局部最优，从而从整体上提升算法的性能.γ的取值将影响脉冲发生率的变化快慢，间接影响种群多样性，自适应调整γ的值：γ增大时意味着脉冲发生率ri变化速度减慢，使搜索更加精细，则在算法后期，种群多样性减小，计算适应度值的方差，当方差变化较小时，在调整参数的基础上对下一次迭代产生的新解分别施行Levy飞行扰动[9]和高斯扰动，干扰种群多样性，使算法有效跳出局部最优，以达到精确搜索的目的.⊗Levy⊗L/100⊗⊗normrand(0,1,1,d)⊗表示点乘，L表示搜索域的宽度，表示第t次搜索到的最优位置.公式(11)表示在当前蝙蝠个体空间位置的基础上增加了Levy飞行随机干扰项，公式(12)表示在当前蝙蝠个体空间位置的基础上增加了高斯扰动随机干扰项.Levy飞行是一个步长大小服从Levy分布的随机游走，研究表明Levy飞行可以在不确定区域内最大限度的进行有效的搜索[10]；高斯扰动是一种随机扰动且服从高斯分布，高斯分布具有良好的局部开发能力，在算法中对解进行随机扰动同样可以有效地对区域进行搜索. 当对算法的解施行Levy飞行扰动和高斯扰动时，分别产生一组新的解，进行比较后将每个位置对应的最好解保留，作为下一次搜索的最优解使用.利用Levy飞行和高斯扰动的特点能使算法搜索有效跳出早熟.改进的蝙蝠算法(VBA)的基本步骤概括如下[4]：step1：初始化蝙蝠种群的规模n、第i只蝙蝠的位置x(i),(i=1,2,…,n)和速度v(i),i=1,2,…,n、脉冲发射率r、脉冲响度A(i)、脉冲频率F(i)、适应度值fitness(i),(i=1,2,…,n)、当前最优位置fbest、当前最优位置xbest；step2：通过公式(1)(2)(3)产生新解；step3：判断新解的值是否满足Znew≤fitness(i)，满足则将执行step4，否则转入step2；step4：比较新解和当前最优解适应度值是否满足fbest≥Znew，如果满足则更新当前最优适应度值及最优位置；step5：计算每次迭代所得适应度值的方差，当前适应度值的方差与上一次适应度值方差的差值小于ε时,通过公式(9)(10)更新参数，并通过(1)(2)(11)，(1)(2)(12)分别产生新的解，比较原始解与扰动后得到的两组新解，保留最优的适应度值，并更新对应的解；step6：若算法满足停止准则，则停止；否则更新参数并转至step3；Step7：输出全局最优值gbest，算法结束.本文选取7个测试函数分别对BA和VBA对进行了仿真试验，7个测试函数均来自全局优化测试函数库[11]，如表1所示.各参数设置为n=50，A=0.25，r=0.5.实验硬件环境为Intel(R)Core(TM)*********************.00GB，操作系统Window 7，利用Matlab编程实现.在同等实验条件下，设定10维时最大迭代次数为100，15，30维时最大迭代次数为200，(Zakharov函数在最大迭代次数为200)独立运行50次，计算最优值、平均最优值、均方误差及达优率(说明f1～f5的达优率是参考各自最优值相差5倍的数量级得到的结果，f6～f7是与测试函数最优值进行比较得到的结果)，见表2. 从表2的结果可以看出，基于方差改进的蝙蝠算法提高了f1,f2～f5函数最优值的精度，使蝙蝠算法的寻优能力得到了提高并且能保持较高的达优率；函数f2的达优率虽然略低于蝙蝠算法，但VBA可以搜索到精确度更高的最优值，对于该测试函数VBA一定程度上提高了蝙蝠算法的寻优能力；对f6测试函数维数较低时，VBA的达优率高于蝙蝠算法，而高维时虽然达优率略有降低，但是算法寻优精度得到了提高；对函数f7在一定程度上提高了算法的达优率.总体上说明了在搜索过程中改进后的算法可以有效地跳出局部最优寻找到全局最优值.测试VBA的性能，对表2所示测试函数f1～f5进行仿真模拟，得到算法的进化曲线对比图(作图过程中由于数量级比较小对函数f3～f5迭代过程对应的函数值取对数).进化曲线的横轴表示进化的迭代次数，纵轴表示目标函数的适应度值(作图过程中由于数量级比较小对函数f3～f5迭代过程对应的函数值取对数).BA和VBA进化曲线对比的图像如图1.Ackley函数是多模态函数，有少数的局部最小值.从图1可以看出，对于Ackely函数来说，在整个进化过程中VBA对个体优化质量优于BA，在算法中期BA陷入局部最优点无法跳出，表现出了早熟的特点，而VBA在低维和高维两种情况都出现拐点，跳出局部最优，最终收敛到了更加精确的全局最优值. 从图2可以看出，BA对于Ronsebrock函数高维时寻优能力比较差，在整个进化过程中VBA对个体优化质量优于BA，在算法中期BA陷入局部最优点无法跳出，表现出了早熟的特点，VBA在低维出现拐点，跳出局部最优，最终收敛到了更加精确的全局最优值，但在高维时VBA虽然在拐点处跳出局部最优但再一次出现早熟的现象，优化表现不明显仅在寻优速度上有所提高.从图3～5可以看出，对Sphere函数、Griewank函数、Zakharov函数，BA寻优都会陷入局部最优，虽然在迭代中出现拐点但仍然无法跳出局部最优，而VBA 可以在拐点处跳出局部最优，寻找到精度更大的全局最优值.由以上所有函数的测试结果及进化曲线对比可以得到以下结论: 本文提出的改进算法的特点主要体现在搜索过程中算法能有效地跳出局部最优，搜索精度有明显的提高，并且寻优速度也有所提高，所以基于方差改进的蝙蝠优化算法是合理并且有效地一种进化算法.本文在蝙蝠算法的基础上提出了一种自适应参数调整的蝙蝠优化算法.分析表明适应度值方差反映种群多样性，通过适应度值方差变化动态的调整算法参数，并提出对适应度值进行扰动增加解的多样性的思想，从而寻求最优位置.测试表明，改进算法提高了寻优精度及寻优速度，并使算法后期能有效地跳出局部最优，提高了蝙蝠群体的搜索能力.本算法也适合一般的函数优化.如何进一步使用方差的其他特征调整算法，并高效处理普通问题及多目标问题，将是下一步的研究工作.【相关文献】[1] YANG X S. Nature inspired cooperative strategies for optimization (NICSO 2010) [M]. Berlin: Springer Berlin Heidelberg, 2010. 65-74.[2] YANG X S. Bat algorithm for multi-objective optimization [J]. International Journal of Bio-Inspired Computation, 2011, 3(5):267-274.[3] LIN J H, CHOU C W, YANG C H. A chaotic Levy flight bat algorithm for parameter estimation in nonlinear dynamic biological systems [J]. Computer and Information Technology.2012, 2(2): 56-63.[4] WANG G, GUO L. A Novel Hybrid Bat Algorithm With Harmony Search for Global Numerical Optimization [J]. Journal of Applied Mathematics, 2013, 21(1): 233-256.[5] 贺兴时, 丁文静, 杨新社. 基于模拟退火高斯扰动的蝙蝠优化算法 [J]. 计算机应用研究, 2014,31(2): 392-397.[6] 肖辉辉, 段艳明. 基于DE算法改进的蝙蝠算法的研究及应用[J].工业工程, 2014, 31(1): 272-277.[7] 刘长平, 叶春明. 具有Levy飞行特征的蝙蝠算法[J].智能系统学报, 2013, 8(3): 240-246.[8] 谢健, 周永权, 陈欢. 一种基于Levy飞行轨迹的蝙蝠算法[J].模式识别与人工智能, 2013, 19(2): 51-54, 81.[9] YANG X S. Nature-inspired metaheuristic algorithms [M].[S.l.], Luniver Press, 2010. 14-16.[10] VALIAN E, MOHANNA S, TAVAKOLI S. Improved cuckoo search algorithm for global optimization [J]. International Journal of Communications and Information Technology, 2011, 1(1): 31-44.[11] JAMIL M, YANG X S. A literature survey of benchmark functions for global optimization problems [J]. International Journal of Mathematical Modelling and Numerical Optimization, 2013, 4(2): 1-47.。

蝙蝠算法课改进的合理依据

蝙蝠算法课改进的合理依据蝙蝠算法是一种基于蝙蝠群体行为的启发式优化算法，被广泛应用于解决各种优化问题。

但是，蝙蝠算法在某些情况下可能存在一些问题，因此有必要对其进行改进以提高算法的性能和收敛速度。

本文将从两个方面讨论蝙蝠算法的改进。

蝙蝠算法的初始参数设置对算法的性能有着重要的影响。

传统的蝙蝠算法中，蝙蝠的频率和响度参数都是随机初始化的，这可能导致算法在优化过程中陷入局部最优解。

为了解决这个问题，我们可以引入自适应调整参数的方法。

具体来说，可以根据蝙蝠个体的适应度值来动态调整频率和响度参数，使得在适应度较差的情况下增加探索性，适应度较好的情况下增加利用性。

这样一来，蝙蝠算法就能更好地平衡全局搜索和局部搜索的能力，从而提高算法的收敛速度和解的质量。

蝙蝠算法的搜索策略也可以进行改进。

传统的蝙蝠算法中，蝙蝠个体的位置更新是通过随机扰动和全局搜索两个部分来完成的。

然而，这种方式可能导致算法在搜索空间中跳跃过大，从而错过了潜在的最优解。

为了解决这个问题，可以引入局部搜索机制，使得蝙蝠在局部范围内进行细致的搜索。

具体来说，可以通过设置一个局部搜索半径，当蝙蝠个体在某个位置附近搜索一定次数后未能找到更好的解时，就将搜索半径缩小，从而使得蝙蝠更加集中地在局部范围内搜索。

这样一来，蝙蝠算法就能更好地兼顾全局搜索和局部搜索的能力，从而提高算法的收敛速度和解的质量。

在改进蝙蝠算法的过程中，我们还可以借鉴其他优化算法的思想和方法。

例如，可以引入粒子群优化算法中的惯性权重来控制蝙蝠个体的移动速度和方向，从而提高算法的收敛速度和解的质量。

此外，还可以引入遗传算法中的交叉和变异操作来增加算法的搜索多样性，从而避免算法陷入局部最优解。

通过改进蝙蝠算法的初始参数设置和搜索策略，可以提高算法的性能和收敛速度。

此外，借鉴其他优化算法的思想和方法也是改进蝙蝠算法的有效途径。

通过对蝙蝠算法的改进，我们可以更好地应用这一算法解决实际问题，为实际应用提供更优质的解决方案。

一种改进的自适应变异蝙蝠算法

一种改进的自适应变异蝙蝠算法盛孟龙;贺兴时;王慧敏【期刊名称】《计算机技术与发展》【年(卷),期】2014(24)10【摘要】针对蝙蝠算法在解决高维复杂问题时容易陷入局部最优解和精确度不高的问题，文中提出了一种改进的蝙蝠算法。

在原算法的基础上，引入一种交叉变换的方式更新蝙蝠群体的位置，一方面是为了提高蝙蝠算法的遍历性，另外还可以减小蝙蝠算法陷入局部最优解的可能性。

模拟蝙蝠发声的音量变化，采用自适应的变换的方式改进蝙蝠算法最优解的选择模式，达到提高算法的精度和收敛速度的目的。

最后通过标准的测试函数对改进后的算法进行数值模拟，结果显示，改进后的算法较为有效。

%In view of the problem which is easy to fall into local optimal solution and the accuracy is not high in solving high-dimensional complex problems for bat algorithm,propose an improved algorithm of bat in this paper. On the basis of the original algorithm,introduce a cross transformto update the location of the bat population,one hand is to enhance the traverses of bat algorithm,on the other hand can reduce the possibility of falling into local optimal solution. Analog bat sound volume changes,using an way of adaptive transform to im-prove the selection mode of bat algorithm optimal solution,achieving the purpose of improving the accuracy and convergence rate. Final-ly,the standard test function is usedto conduct the numerical simulation for the improved algorithm,the results show that the improved al-gorithm is more effective.【总页数】4页(P131-134)【作者】盛孟龙;贺兴时;王慧敏【作者单位】西安工程大学理学院，陕西西安 710048;西安工程大学理学院，陕西西安 710048;西安工程大学理学院，陕西西安 710048【正文语种】中文【中图分类】TP301.6【相关文献】1.一种改进的自适应变异的粒子群优化算法 [J], 贾松浩;杨彩2.一种改进的混合蝙蝠算法 [J], 郜振华;吴昊3.一种改进后的蝙蝠算法在云计算资源调度的应用及仿真研究 [J], 刘颜颜4.一种改进的并行蝙蝠算法 [J], 李广强;张肇宝;徐晨;梁大伟;赵钎伊;于浩淼5.一种运用于微电网优化调度的改进蝙蝠算法 [J], 何丽娜;陈汝科;沈丹青;杨凯帆;谢枭;王若昕;黄婧因版权原因，仅展示原文概要，查看原文内容请购买。

一种改进的自适应混合型蝙蝠算法

一种改进的自适应混合型蝙蝠算法
杜艳艳;刘升
【期刊名称】《微电子学与计算机》
【年(卷),期】2018(35)6
【摘要】针对基本蝙蝠算法(BA)存在的寻优精度不高,易出现早熟收敛等缺陷,本文提出了一种改进的自适应混合型蝙蝠算法(YSBA).首先,该算法舍弃了速度这一参数,简化了计算;其次,加入位置收缩因子β,用来控制与约束蝙蝠的位置,平衡蝙蝠算法中局部和全局搜索,提高算法的寻优精度,最后,重新设置了响度A和脉冲频率r的计算方法,此方法可以也可以避免陷入局部最优.最后通过11个典型的基准函数优化试验,与基本蝙蝠算法(BA)以及采用机动飞行的蝙蝠算法(MFBA)相比,发现改进的自适应混合型蝙蝠算法能够解决局部过分搜索的问题,避免陷入局部最优值,具有较高的计算精度.
【总页数】6页(P135-140)
【关键词】蝙蝠算法;收缩因子;优化函数;全局优化
【作者】杜艳艳;刘升
【作者单位】上海工程技术大学管理学院上海201620
【正文语种】中文
【中图分类】TP183
【相关文献】
1.一种基于改进蚁群算法的混合型调度算法 [J], 张旭升;戴青云
2.一种自适应的混合型无线传感器网络拓扑控制算法 [J], 李少春;程良伦
3.一种动态调整惯性权重的自适应蝙蝠算法 [J], 裴宇航;刘景森;李煜
4.一种改进的自适应变异蝙蝠算法 [J], 盛孟龙;贺兴时;王慧敏
5.一种改进的变步长自适应蝙蝠算法及其应用 [J], 张宇楠;刘付永
因版权原因，仅展示原文概要，查看原文内容请购买。

基于蝙蝠优化偏好矩阵的序列化数据推荐算法研究

基于蝙蝠优化偏好矩阵的序列化数据推荐算法研究
丁勇
【期刊名称】《自动化仪表》
【年(卷),期】2022(43)7
【摘要】为了提高信息网络中各类用户与项目信息增长给推荐系统带来的负载,从类型偏好角度出发,设计了一种根据用户偏好的蝙蝠优化聚类处理的协同过滤推荐(CFR)算法。

在设计蝙蝠优化协同过滤推荐算法(B-CFR)时,融入用户偏好优化聚类
方法。

以B-CFR算法为基础,根据项目类型建立细粒度偏好模型,利用蝙蝠优化算法达到改进聚类的效果。

对该算法进行了测试研究。

研究结果表明:设计的算法将聚
类数设置在10和近邻数取值为40时是最优的。

当权重系数处于[0.1,0.5]区间内时,通过B-CFR算法预测评级,能够满足用户真实评级状态评价,显著改善推荐效果。

相对于传统CFR算法,所设计的B-CFR算法可以优化评分预测准确性,并有效缩小
最近邻居搜索范围、增强系统实时性,使系统获得更强的扩展能力。

该研究对保证
推荐系统的运行效率具有一定的指导意义。

【总页数】4页(P36-39)
【作者】丁勇
【作者单位】云南师范大学文理学院
【正文语种】中文
【中图分类】TH-39
【相关文献】
1.基于用户类别偏好相似度和联合矩阵分解的推荐算法
2.基于动态标签偏好信任概率矩阵分解模型的推荐算法
3.基于双偏好矩阵的B2B智能推荐研究与实践
4.基于用户偏好优化模型的推荐算法研究
5.基于用户偏好矩阵填充的改进混合推荐算法
因版权原因，仅展示原文概要，查看原文内容请购买。

基于模糊c-means与自适应粒子群优化的模糊聚类算法

基于模糊c-means与自适应粒子群优化的模糊聚类算法耿宗科;王长宾;张振国
【期刊名称】《计算机科学》
【年(卷),期】2016(0)8
【摘要】已有的粒子群模糊聚类算法需要设置粒子群参数并且收敛速度较慢,对此提出一种基于改进粒子群与模糊c-means的模糊聚类算法.首先,使用模糊c-means算法生成一组起始解,提高粒子群演化的方向性;然后,使用改进的自适应粒子群优化方法对数据进行训练与优化,训练过程中自适应地调节粒子群参数;最终,采用模糊c-means算法进行模糊聚类过程.对比实验结果表明,所提方法大幅度提高了计算速度,并获得了较高的聚类性能.
【总页数】6页(P267-272)
【作者】耿宗科;王长宾;张振国
【作者单位】河北师范大学数学与信息科学学院石家庄050024;河北师范大学数学与信息科学学院石家庄050024;河北师范大学数学与信息科学学院石家庄050024
【正文语种】中文
【中图分类】TP393
【相关文献】
1.基于模糊最大散度差判别准则的自适应特征提取模糊聚类算法 [J], 支晓斌;范九伦
2.基于Hadoop二阶段并行模糊c-Means聚类算法 [J], 胡吉朝;黄红艳
3.基于Hadoop二阶段并行模糊c-Means数据聚类算法 [J], 高献卫;师智斌
4.基于模糊C-means的多视角聚类算法 [J], 杨欣欣;黄少滨
5.基于粗糙集理论的模糊C-means高维数据聚类算法 [J], 朱付保;徐显景;白庆春;朱颢东
因版权原因，仅展示原文概要，查看原文内容请购买。

改进蝙蝠算法优化极限学习机的图像分类

改进蝙蝠算法优化极限学习机的图像分类
陈海挺
【期刊名称】《激光杂志》
【年(卷),期】2014(35)11
【摘要】针对分类器中的极限学习机参数优化问题,本文提出一种改进蝙蝠算法优化极限学习机的图像分类模型。

首先将极限学习机参数看作蝙蝠位置,然后采用改进蝙蝠算法进行求解。

采用病毒群体感染主群体,主群体在历代个体间纵向传递信息,病毒群体通过感染操作在同代个体间横向传递信息,增强了算法跳出局部极小值的能力。

最后根据最优参数建立图像分类模型,并对模型的性能进行仿真测试。

仿真结果表明,相对于对比模型,本文模型不仅提高了图像分类正确率,而且加快了分类速度,是一种有效的图像分类模型。

【总页数】4页(P26-29)
【关键词】图像分类;极限学习机;蝙蝠算法;病毒进化
【作者】陈海挺
【作者单位】浙江越秀外国语学院
【正文语种】中文
【中图分类】TP181
【相关文献】
1.基于在线连续极限学习机的图像分类改进算法 [J], 陈建原;何建农
2.基于改进遗传算法优化极限学习机的短期电力负荷预测 [J], 律方成;刘怡;亓彦珣;
燕跃豪;张建涛;谢庆
3.基于改进差分进化算法优化极限学习机的短期负荷预测 [J], 胡函武;施伟;陈桥;李凯
4.蝙蝠算法优化极限学习机的滚动轴承故障分类 [J], 覃爱淞;吕运容;张清华;胡勤;孙国玺
5.蝙蝠算法优化极限学习机模拟参考作物蒸散量 [J], 吴立峰;鲁向晖;刘小强;张苏扬;刘明美;董建华
因版权原因，仅展示原文概要，查看原文内容请购买。