一种改进的自适应变异蝙蝠算法_盛孟龙
基于插值预测的改进蝙蝠算法
基于插值预测的改进蝙蝠算法沈雄;陈基漓【期刊名称】《计算机工程与设计》【年(卷),期】2017(038)007【摘要】为提高蝙蝠算法(bat algorithm,BA)的收敛性及求解性能,一种基于插值预测的思想可以引用到基本蝙蝠算法中,即插值蝙蝠算法(interpolated bat algorithm,IBA),在蝙蝠正常飞行的基础上,通过蝙蝠历史位移轨迹拟合蝙蝠飞行曲线,预测蝙蝠下一个位置.通过对9个典型的测试函数进行测试实验,从解空间维度、稳定性与收敛性3个方面考虑,实验结果表明,插值蝙蝠算法与蝙蝠算法相比,具有较快的收敛速度并得到更精确的结果;插值蝙蝠算法与粒子群优化算法(particle swarm optimization algorithm,PSO)进行对比,整体实验结果表明,蝙蝠算法与插值蝙蝠算法在收敛速度及精确度上比粒子群算法具有更好效果.%To improve the astringency and the performance of the solution of BA(bat algorithm),a thought based on interpolated method was introduced into the base bat algorithm,namely the interpolated bat algorithm (IBA),with the normal flight and the history track of the bat,a flying curve was fitted to predict the next position of the bat.Considering the three aspects of dimension,stability and astringency,nine typical benchmark functions were tested.Results of simulation show that compared with the BA,IBA has faster astringency and gets more accurate results.The interpolated bat algorithm was compared with PSO (particle swarm optimization) algorithm.The overall results of the experiment show,bat algorithm and interpolation batalgorithm have better effects in astringency and accuracy than particle swarm optimization algorithm.【总页数】7页(P1938-1944)【作者】沈雄;陈基漓【作者单位】桂林理工大学信息科学与工程学院,广西桂林 541004;桂林理工大学信息科学与工程学院,广西桂林 541004【正文语种】中文【中图分类】TP301.6【相关文献】1.基于改进的分形插值与SVM的股指预测模型 [J], 黎红;王宏勇2.基于改进蝙蝠算法的软件缺陷预测模型 [J], YANG Xiao-qin3.基于改进蝙蝠算法和三次样条插值的机器人路径规划 [J], 刘景森;吉宏远;李煜4.基于改进蝙蝠算法优化LSTM网络的短时客流预测 [J], 段中兴;温倩;周孟;宋婕菲;王剑5.基于改进蝙蝠算法优化广义回归神经网络的岩质边坡稳定性预测 [J], 杨雅萍;张文莲;孙晓云因版权原因，仅展示原文概要，查看原文内容请购买。
改进的新型蝙蝠算法
改进的新型蝙蝠算法吕赵明;张颖江【摘要】对基本的蝙蝠算法及其他群智能优化算法进行试验研究后,发现基本蝙蝠算法存在易陷入局部最优、求解精度不高等缺陷,而细菌觅食算法具有群体智能算法并行搜索、易跳出局部极小值等优点.由于基本蝙蝠算法对求解的空间搜索不充分,通过实验分析提出了试探扰动因子;另外针对蝙蝠算法缺乏对父代的继承性,分别使用线性递减权重法、随机权重法和自适应权重法对蝙蝠算法求解性能进行了对比实验,发现随机惯性权重求解精度较高.基于以上分析,提出了一种改进的新型蝙蝠算法.该算法融合细菌觅食算法的趋化算子来改进蝙蝠算法的局部搜索能力,增加试探扰动因子来提高算法的求解精度和充分性,采用随机惯性权重来均衡算法的探索能力和挖掘能力.为了验证该算法的性能,选择几个高维的经典函数进行实验,结果表明,改进的新型蝙蝠算法同基本的蝙蝠算法和粒子群算法相比提高了寻优性能.%Based on the experimental study of the basic bat algorithm and other groups of intelligent optimization algorithms,it is found that the basic bat algorithm is easy to fall into the local optimum and the accuracy of the solution is not high.The bacterial foraging algo-rithm has the advantages of parallel search and jumping out of local minimum easily from group intelligence algorithm.Because the basic bat algorithm is not sufficient to search the solution space,the probe disturbance factor is put forward.In addition,the bat algorithm lacks the inheritance of the parent.For this,we use respectively the linear descent inertial weight,the random inertial weight and the adaptive in-ertial weight to compare the performance of the bat algorithm,which shows that the accuracy of the random inertia weight ishighest. Based on the above analysis,we propose an improved new bat algorithm which combines the chemotaxis operator of the bacterial foraging algorithm to improve the local search ability of the bat algorithm,increases the probabilistic perturbation factor to improve the accuracy and sufficiency of the algorithm and adopts the inertia weight to equalize ability of exploer and exploit in the algorithm.To verify the per-formance of the improved algorithm,several high quality classical functions are selected to test.The experiments show that the proposed bat algorithm improves the performance compared with the basic bat algorithm and particle swarm algorithm.【期刊名称】《计算机技术与发展》【年(卷),期】2018(028)005【总页数】6页(P63-67,72)【关键词】蝙蝠算法;细菌觅食算法;翻滚;惯性权重;扰动因子【作者】吕赵明;张颖江【作者单位】湖北工业大学计算机学院,湖北武汉430068;湖北工业大学计算机学院,湖北武汉430068【正文语种】中文【中图分类】TP301.60 引言在许多科学计算中都会遇到最优化问题，最优化问题是通过对无限可行的方案进行寻优从而得到最优的方案。
一种改进的自适应遗传算法
一种改进的自适应遗传算法
毕晓冬
【期刊名称】《潍坊学院学报》
【年(卷),期】2007(007)004
【摘要】在对自适应遗传算法中选择、交叉、变异算子作用分析的基础上,提出一种新的自适应遗传算法,新算法基于实数编码机制,选择操作采用精英选择与轮盘赌相结合,变异和交叉操作采取根据适应度自适应地非线性调整变异和交叉概率的策略,同时提出进化的后期采取先变异后交叉的操作次序.仿真实验表明,新算法有效防止早熟,收敛速度更快,鲁棒性更好且拥有较强的寻优能力.
【总页数】4页(P114-117)
【作者】毕晓冬
【作者单位】山东警察学院,山东,济南,250014
【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遗传算法及其在层合板优化中的应用研究 [J], 罗利龙;赵美英;穆朋刚
2.一种改进的自适应遗传算法 [J], 刘晓霞;窦明鑫
3.一种改进的自适应云遗传算法 [J], 韩勇;曹兴华;杨煜普
4.一种异型改进的自适应遗传算法 [J], 冯九林; 殷锋; 黄光华
5.一种改进的自适应遗传算法 [J], 刘萍;俞焕
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进蝙蝠算法的多目标移动储能调度
基于改进蝙蝠算法的多目标移动储能调度
李永刚;林卉
【期刊名称】《华北电力大学学报(自然科学版)》
【年(卷),期】2024(51)1
【摘要】在大规模电动汽车的随机充电等因素的影响下,电网峰谷差等问题突出。
首先,计算所需多类型移动储能(电动汽车、移动储能车、氢燃料发电车)调度功率,考虑交通能耗,建立各类移动储能模型。
其中,针对电动汽车交通能耗,根据电价对用户参与意愿的影响,建立相应的补贴体系。
其余类型则只计及交通能耗成本。
然后,建立以的配电网负荷峰谷差、新能源利用率、配电网运行成本为目标,利用超平面的概念自适应地确定不同目标函数的权重,将多目标归一化,建立三类移动储能协调调度模型。
而后,使用改进蝙蝠算法求解,得到多类型移动储能协同调度的方案。
其中,基本蝙蝠算法引入柯西变异逆累积分布函数等改进,得到改进蝙蝠算法,该算法有效提升优化速度、全局搜索能力。
最后,在IEEE33节点系统中,进行仿真验证,结果证明了该调度方案的有效性。
【总页数】9页(P56-64)
【作者】李永刚;林卉
【作者单位】华北电力大学电气与电子工程学院
【正文语种】中文
【中图分类】TM734
【相关文献】
1.基于改进蝙蝠算法的多传感器多目标分配
2.基于改进粒子群算法的风储联合系统多目标协同调度
3.基于改进多目标教与学算法的电力系统多目标调度优化研究
4.基于混合蝙蝠算法的多目标柔性作业车间调度问题
5.基于改进蝙蝠算法的混合储能系统容量优化配置
因版权原因，仅展示原文概要，查看原文内容请购买。
一种改进的自适应变异蝙蝠算法_盛孟龙
收稿日期：2013－11－25修回日期：2014－03－03网络出版时间：2014－07－28基金项目：陕西省软科学基金项目（2012KＲM58）；陕西省教育自然科学基金项目（12JK0744）作者简介：盛孟龙（1987－），男，河南驻马店人，硕士，研究方向为智能算法、元启发式算法；贺兴时，教授，研究方向为智能计算、数据挖掘的理论与方法、概率论与数理统计等。
网络出版地址：http ：//www．cnki．net /kcms /detail /61．1450．TP．20140728．1222．013．html一种改进的自适应变异蝙蝠算法盛孟龙，贺兴时，王慧敏（西安工程大学理学院，陕西西安710048）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。
关键词：蝙蝠算法；交叉变换；Beat 分布；自适应变异中图分类号：TP301．6文献标识码：A文章编号：1673－629X （2014）10－0131－04doi ：10．3969/j．issn．1673－629X．2014．10．031An Improved Algorithm for Adaptive Mutation BatSHENG Meng－long ，HE Xing－shi ，WANG Hui－min（College of Science ，Xi ’an Polytechnic University ，Xi ’an 710048，China ）Abstract ：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 transform to 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 used to conduct the numerical simulation for the improved algorithm ，the results show that the improved al-gorithm is more effective．Key words ：bat algorithm ；cross－conversion ；Beat distribution ；adaptive mutation0引言蝙蝠算法是Yang Xinshe 在2010年提出的［1］，灵感是来源于自然界的蝙蝠觅食的过程。
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.。
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。
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。
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。
蝙蝠算法的研究进展
蝙蝠算法的研究进展
程春英;刘娜仁
【期刊名称】《电脑知识与技术》
【年(卷),期】2016(012)024
【摘要】蝙蝠算法(BA)是通过用搜索空间中的点模拟自然界中的蝙蝠个体,将搜索和优化过程模拟成蝙蝠个体搜索猎物和移动过程,将求解问题的目标函数度量成个体所处位置的优劣,在搜索和优化过程中用好的可行解取代较差的可行解的迭代过程的一种优化算法.蝙蝠算法因具有较强的鲁棒性、高效性和应用性,已成功地应用于函数优化、工程设计、分类等多个方面.本文首先给出了蝙蝠算法的原理及模型,然后列出了蝙蝠算法近几年来的改进研究,最后展望了蝙蝠算法的发展方向.
【总页数】3页(P187-188,198)
【作者】程春英;刘娜仁
【作者单位】内蒙古民族大学计算机科学与技术学院,内蒙古通辽028043;内蒙古民族大学计算机科学与技术学院,内蒙古通辽028043
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于新型蝙蝠算法的电动汽车停车充电优化调度 [J], 李春亭;张体鹏;朱志刚;连志刚
2.基于改进蝙蝠算法的微电网优化研究 [J], 张林;郭辉;姚李孝
3.基于遗传蝙蝠算法的引航排班方法 [J], 张延珍;兰培真
4.基于蝙蝠算法优化反向传播神经网络模型的无线网络流量预测 [J], 戴宏亮;罗裕达
5.基于改进蝙蝠算法的移动机器人路径规划方法研究 [J], 倪昌浩;邹海
因版权原因，仅展示原文概要，查看原文内容请购买。
基于遗传扰动机制的改进蝙蝠优化算法
基于遗传扰动机制的改进蝙蝠优化算法杜先君;马金斗【摘要】针对蝙蝠算法现存的缺点,如收敛速度慢、优化精确度低、早熟,提出一种基于遗传扰动机制的改进蝙蝠算法(GDBA).该优化算法引入了遗传竞争机制,通过比较与全局最优解的差异,随时调整遗传算法的交叉率和变异率,使得种群具有遗传性和多样性,解决了蝙蝠算法早熟的问题,同时加快了收敛速度,提高了优化精度.采用基准测试函数进行仿真验证,实验结果表明:与蝙蝠算法(BA)和基于速度权重扰动机制的改进蝙蝠算法(WDBA)相比,该算法(GDBA)具有更好的收敛速度和搜索精度,加强了寻找全局最优解的能力.【期刊名称】《兰州理工大学学报》【年(卷),期】2019(045)004【总页数】6页(P97-102)【关键词】蝙蝠算法;全局优化;竞争机制;遗传算法【作者】杜先君;马金斗【作者单位】兰州理工大学电气工程与信息工程学院,甘肃兰州730050;甘肃省工业过程先进控制重点实验室,甘肃兰州730050;兰州理工大学电气与控制工程国家实验教学示范中心,甘肃兰州730050;兰州理工大学电气工程与信息工程学院,甘肃兰州730050【正文语种】中文【中图分类】TP301.6随着社会的发展,智能优化算法应用的需求越来越大,提出更先进的智能算法以及提高现有智能算法的精度一直是很多学者所研究的内容,目前提出的智能优化算法有：粒子群优化算法[1]、蚁群算法[2]、布谷鸟算法[3]、遗传算法[4]、萤火虫算法[5]和随机蛙跳算法[6]等,这些新型的元启发式智能优化算法因在求解复杂多维多目标优化问题时,具有更高的求解效率和较强的鲁棒性,得到研究人员的广泛关注,并且被用于求解实际生产生活中的复杂问题[7].如Delgarm N等[1]提出了一种基于单和多目标粒子群优化(MOPSO)算法,解决了建筑能耗优化的重要限制；Yang Q等[2]提出了一种自适应多通道连续优化问题的蚁群优化算法,将蚁群算法扩展到多峰优化问题；Sun W等[3]提出了一种基于主成分分析(PCA)的新型混合模型和最小二乘支持向量机(LSSVM)的布谷鸟搜索优化(CS)算法,建立的高精度浓度预测PM2.5模型，对监测和控制我国雾霾现象具有重要意义；Garcia-Bediaga A等[4]提出了一种利用遗传算法对中频变压器进行计算机辅助设计的优化方法,将遗传算法用在了解决中频变压器参数设计等.蝙蝠算法(bat algorithm,BA)[8]是由Yang于2010年提出的一种模拟蝙蝠的捕食行为及其回声定位能力的新兴智能优化算法,其原理是把每个蝙蝠个体作为空间的解,通过调整每个个体的响度和脉冲率,得到当代解空间中的最优个体,从而使得种群所有个体完成从无序到有序的搜索过程.相比于其他的智能优化算法,蝙蝠算法具有结构简单、参数较少、鲁棒性能好的特点,故被广泛地应用于工程实践中.目前,BA算法已经被应用于{0-1}问题、多目标寻优问题、PFSP调度问题、电网的故障区间、大规模优化等问题中,如吴聪聪等[9]采用蝙蝠算法求解折扣{0-1}背包的问题,龙文等[10]采用蝙蝠算法求解约束优化的问题等.但是蝙蝠算法在迭代后期收敛速度慢、搜索精度低,并且极易陷入局部最优解,这些缺点都极大地限制了BA的应用与发展. 本文主要针对蝙蝠算法中的缺点,提出一种基于遗传扰动机制的改进蝙蝠优化算法(GDBA),引入遗传变异机制,通过比较与全局最优解的差值,随时调整交叉率和变异率,从而增加了种群的多样性,优化了收敛速度,避免了陷入局部最优解的早熟现象,增强了搜索全局最优解的能力.1 蝙蝠优化算法蝙蝠算法是模拟蝙蝠寻找食物的自然现象,研究发现蝙蝠在寻找食物飞行的过程中,每秒一般能发出20多个频率在25～100 kHz、持续时间在5～20 ms的脉冲,通常情况下,声音在空气中的传播速度为v=340 m/s,由波长计算公式λ=v/f,可以得出蝙蝠发出脉冲的波长为2～14 mm,在蝙蝠捕食时,蝙蝠发出具有一定响度和频率的超声波脉冲信号,蝙蝠通过发出信号和接收信号的时间差,来判断食物的方位和距离,即回声定位原理.在模拟蝙蝠的捕食行为及其回声定位能力时,为方便建立理想模型,提出了3个假设条件：1)当每个蝙蝠个体利用回声定位去确定目标距离信息时,它们可以通过反射信号的强度和响度判断出目标物的类型.2)蝙蝠在搜索猎物时,可以根据与目标物的距离,自动调节发射的脉冲波长和脉冲频度.3)假设响度是从最大值Amax(正值)向最小值Amin(常数)变化.根据上述假设的条件,蝙蝠算法(BA)的基本步骤如下[11]：Step 1 参数初始化：初始化搜索种群规模n,与搜索种群规模相对应的脉冲频率范围[fmin,fmax],最大脉冲响度Amax,最大脉冲频度rmax,迭代次数Niter.Step 2 初始化蝙蝠的位置Xi.随机生成n只蝙蝠,并设第i只蝙蝠为Xi=(xi,1,xi,2,…，xi,D),i∈(1,2,3，…，n),D为维数,计算出蝙蝠的适应度值fit(Xi ),从中寻找出最优蝙蝠个体x*.Step 3 更新蝙蝠的空间位置.根据下式更新蝙蝠发射信号的脉冲频率：fi=fmin+(fmax-fmin )*randn(1)根据下式更新蝙蝠的飞行速度vi：(2)根据下式更新蝙蝠的空间位置Xi：(3)其中：为蝙蝠个体i分别在t次迭代及t-1次迭代情况下的飞行速度；为蝙蝠个体i分别在t次迭代及t-1次迭代情况下的空间位置；fi为第i只蝙蝠个体对的搜索脉冲频率,并且fmin≤fi≤fmax；x*为当前全局最优空间位置.Step 4 可得到随机数rand1,如果rand1>rNiter,则通过下式完成局部搜索,并更新目前位置信息：Xnew(i)=x*+0.01*randn(1,d)(4)Step 5 生成随机数rand2,若rand2<ANiter,若适应度值有所改善,则表明该解有效. Step 6 根据适应度值的变化情况,寻找出最优适应度值的蝙蝠个体,并记录其空间位置信息.Step 7 重复Step3,迭代到最大迭代次数Niter时停止,完成寻优迭代.Step 8 输出最优蝙蝠的适应度变化曲线.由式(1,2)可知,当进行蝙蝠算法(BA)迭代时,很容易出现种群个体向最优个体集聚的情况,即易集聚于x*位置,从而导致种群中所有的个体都因陷入同一极值而在收敛到最优解之前停止进化,即产生了早熟问题,因此在处理模型较为复杂的问题时,蝙蝠算法(BA)的寻优精度下降,收敛速度变慢,不能达到求解问题的要求.2 基于遗传扰动机制的改进蝙蝠优化算法2.1 遗传扰动机制改进的蝙蝠算法为了解决基本蝙蝠算法存在的上述问题,本文算法在种群局部搜索时,引入遗传扰动机制,运用遗传算法所特有的交叉特性和变异特性产生子代,并从中选择最好的子代与基本蝙蝠算法的种群个体进行竞争,使算法能够在后期依然具有丰富的种群,从而提高种群多样性,避免局部最优出现,解决早熟问题.改进算法的具体实现步骤如下：Step 1 参数初始化：初始化搜索种群规模n,与搜索种群规模相对应的脉冲频率范围[fmin,fmax],最大脉冲响度Amax,最大脉冲频度rmax,迭代次数Niter,交叉概率pc,变异概率pm,数据范围bound,遗传算法的进化代数maxgen,精度tol=10-5. Step 2 初始化蝙蝠的位置Xi.随机生成n 只蝙蝠,并设第i只蝙蝠为Xi=(xi,1,xi,2,…，xi,D),i∈(1,2,3，…，n),D为维数,计算出蝙蝠的适应度值fit(Xi ),然后选取全局最优适应度值fitmin,从中寻找出最优蝙蝠个体x*.Step 3 更新蝙蝠的空间位置.根据式(1)更新蝙蝠发射信号的脉冲频率,根据式(2)更新蝙蝠的飞行速度vi,根据式(3)更新蝙蝠的空间位置Xi.Step 4 可得到随机数rand1,若rand1>rNiter,则按照式(4)更新蝙蝠,将当前蝙蝠种群作为遗传算法的初始种群,根据遗传扰动机制更新蝙蝠位置,并记录最新蝙蝠的适应度值fitnew(Xi).Step 5 生成随机数rand2,若rand2<ANiter,且适应度值有所变化时,就将其移动到与之对应的更新处,若fitnew(Xi )≤fmin,则更新全局最优值x*和全局最优适应度值fitmin.Step 6 若没有达到最大搜索次数,则进行下一个步骤,否则回到Step 3,直到达到最大迭代次数.Step 7 输出最优蝙蝠的适应度变化曲线.2.2 交叉率和变异率调整策略将蝙蝠算法的当前种群作为遗传算法的初始种群,通过目标函数(基准测试函数)计算该种群当代蝙蝠个体的适应度值,计算出蝙蝠个体的适应度值fit1(Xi)与全局最优适应度fitmin的差值Δdi,并根据Δdi的大小调整下一代蝙蝠个体的交叉概率pc和变异概率pm.具体调整策略如下：1)若当代蝙蝠个体的适应度值与全局最优适应度fitmin的差值Δdi较大时,为保持子代的稳定性,则交叉概率pc应该向较大的数值调整,变异概率pm相对应地应该向较小的数值调整；2)若Δdi较小时,为保持子代的多样性,避免陷入早熟,则交叉率pc就应该向较小的数值调整,变异概率pm相对应地应该向较大的数值调整；3)当Δdi达到优化精度要求时,交叉率pc和变异率pm应该保持数值不变.2.3 遗传扰动机制在种群局部搜索时,运用遗传算法所特有的交叉特性和变异特性产生子代,并根据交叉率和变异率调整策略代代调整交叉率和变异率,然后再从子代中选择适应度最优的个体,将其和蝙蝠算法中与之相对应的种群个体进行对比、竞争,选择适应度更好的个体作为最优种群个体,用于提高种群的多样性.引入遗传扰动机制的具体实现步骤如下：Step 1 将蝙蝠算法的当前种群作为遗传算法的初始种群,通过目标函数(基准测试函数)计算该种群蝙蝠个体的适应度值,记为fit1(Xi).Step 2 将蝙蝠个体作为父本,按照交叉率和变异率调整策略分别完成选择、交叉、变异过程,产生子代,再将子代代入目标函数,计算出它们的适应度值,记为fit2(Xi). Step 3 比较适应度值fit1(Xi)和fit2(Xi),选取最小的适应度值并记为fitnew(Xi),将最小适应度值fitnew(Xi)所对应的蝙蝠位置Xi作为蝙蝠更新位置,并记录.综上所述,遗传扰动机制的流程图如图1所示.图1 遗传扰动机制流程图Fig.1 Flow-chart of genetic disturbance mechanism 3 仿真实验分析3.1 实验环境本文算法选择的测试环境为Windows 10,CPU为英特尔i7-6700HQ双核2.60 GHz,内存为8 GB,MATLAB2015b.初始化蝙蝠种群数量为n=10,最大响度为Amax=0.2 dB,最大脉冲频度rmax=0.7 dB,遗传算法的迭代次数maxgen=10,脉冲频率fmin=0,fmax=100 kHz,种群数量sizepop=10,交叉率pc(1)=0.6,pm (1)=0.4,pc=pc+0.005Δd,pm=pm-0.005Δd,Δd为当前子代适应度值与全局最优适应度的差值,数据范围bound=[-2 2],算法最终迭代次数Niter=1 000.几种算法具体的实验参数见表1.表1 实验参数Tab.1 Experimental parameters算法ndfmin/kHzfmax/kHzNiterBA102001001000WDBA102001001000PSO1020无无1000GA1020无无1000GDBA1020010010003.2 仿真测试函数为了更加清楚地体现出GDBA算法的全局寻优能力,选取4个基准准测试函数进行实验仿真：1)f1,Zakharov函数：Zakharov函数变量x解空间为{x|-10≤x≤10},并且在(0,0,…,0)取得全局最优值fmin(x)=0.2)f2,Salomon函数：Salomon函数变量x解空间为{x|-5≤x≤5},并且在(0,0,…,0)取得全局最优值fmin(x)=0.3)f3,Sphere函数：Sphere函数变量x解空间为{x|-10≤x≤10},并且在(0,0,…,0)取得全局最优值fmin(x)=0.4)f4,Griewank函数：Griewank函数变量x解空间为{x|-10≤x≤10},并且在(0,0,…,0)取得全局最优值fmin(x)=0.3.3 仿真结果分析3.3.1 基准函数的寻优测试结果分析针对本文提出的基于遗传扰动机制的改进蝙蝠算法(GDBA)进行验证.以适应度曲线为输出对象,以上述常规算法基准测试函数为模型,分别运用BA算法[8]、WDBA算法[7]、PSO算法[1]、GA算法[4]和GDBA算法进行仿真实验,实验结果如图2～5所示.图2 Zakharov函数适应度变化曲线Fig.2 Evolution curves of Zakharov function fitness图3 Salomon函数适应度变化曲线Fig.3 Evolution curves of Salomon function fitness图4 Sphere函数适应度变化曲线Fig.4 Evolution curves of Sphere function fitness图5 Griewank函数适应度变化曲线Fig.5 Evolution curves of Griewank function fitness从图2中Zakharov函数适应度变化曲线的变化过程可以看出,BA算法经过800多代的迭代才能寻到最优解,PSO算法和GA算法都经过大约200次的迭代才能寻到最优解,WDBA算法经过大约100次的迭代才能寻到最优解,而GDBA算法经过不足50代的迭代就能寻到最优解,这说明了相对于BA算法、WDBA算法、PSO算法和GA算法,GDBA具有更加强大的搜索能力.从图3中Salomon函数适应度变化曲线的变化过程可以看出,BA算法、WDBA算法、PSO算法、GA算法、GDBA算法在处理复杂高维多峰的问题时,都有容易陷入局部最优解的早熟现象,但相对于BA算法、WDBA算法、PSO算法、GA算法,GDBA算法的收敛精度较高,相对误差更小.从图4中Sphere函数适应度变化曲线的变化过程可以看到,BA算法、WDBA算法、PSO算法、GA算法经过大约300次的迭代就能同时寻找到全局最优解,并且在寻优的过程中,WDBA算法和PSO算法的收敛速度较快,但是相对于GDBA算法,GDBA算法的收敛速度更快,寻优精度更高,搜索能力更加强大.从图5中Griewank函数适应度变化曲线的变化过程能够看到,当运用BA算法、WDBA算法、PSO算法、GA算法解决此类问题时,迭代过程中有时都会出现震荡现象,但是GDBA算法具有较快的收敛速度,可以用极短的时间寻找到全局最优解,从而规避了震荡现象.以最优(最小)适应度、最差适应度、方差为参考对象,运用BA算法、WDBA算法、PSO算法、GA算法和GDBA算法对4个基准测试函数进行50次MATLAB实验仿真,实验结果对比数据见表2.从表2可以看出,相对于BA算法、WDBA算法、PSO算法、GA算法,GDBA算法的实验结果方差较小,故而GDBA算法的最优适应度值的稳定性和聚集性更好.表2 实验结果对比Tab.2 Comparison of experimental results函数算法适应度最优最差方差BA0.0055233.9784001.245800GA0.0007050.0169680.002756f1PSO0.00066 70.0169620.002365WDBA0.0006310.0154180.002045GDBA0.0004290.0012890.000161BA0.2998700.4998700.099443GA0.1998700.3998700.060068f2P SO0.1998700.3998700.053490WDBA0.1998700.3998700.049528GDBA0.099 8700.2998700.002705BA0.0010690.0018680.000254GA0.0009950.0019070. 000328f3PSO0.0005210.0012520.000173WDBA0.0005220.00131290.00017 9GDBA2.2×10-46.7×10-48.4×10-5BA1.5×10-35.2×10-33.2×10-3GA8.2×10-42.3×10-37.2×10-4f4PSO8.6×10-41.2×10-36.3×10-4WDBA3.1×10-41.1×10-31.5×10-5GDBA1.6×10-54.8×10-55.7×10-63.3.2 交叉率和变异率调整策略实验分析针对第2章节提出的交叉率和变异率调整策略,本文以Sphere基准测试函数为目标函数,以交叉率和变异率为输出,在迭代次数Niter=100的条件下进行验证,实验结果如图6和图7所示.图6 Sphere函数适应度变化曲线(Niter=100)Fig.6 Evolution curves of Sphere fitness (Niter=100)图7 交叉率pc和变异率pm的变化曲线Fig.7 Evolution curves of crossing probability pc and mutation probability pm由图6和图7可知,当迭代次数在1～30时,GDBA优化算法通过交叉率和变异率调整策略,使得目标函数用极少的迭代次数寻找到全局最优适应度,故而pc和pm的变化较大；但当寻找到全局最优适应度后,Δdi(Niter)几乎为零,pc和pm保持不变,故而当Niter>30时,pc和pm变化曲线变化较小,因此验证了交叉率和变异率调整策略的有效性.4 结语针对基本蝙蝠算法存在收敛速度慢、搜索精度低、早熟等缺陷,提出了一种基于遗传扰动机制的改进蝙蝠优化算法.该算法能够在寻找全局最优解的过程中,引入遗传竞争机制,提高了种群的多样性,加快了收敛速度,避免了早熟现象,提升了算法的全局搜索能力.仿真实验结果表明：相对于BA算法、WDBA算法、PSO算法、GA算法,GDBA算法收敛速度更快,全局搜索能力更强,寻优精度更高、寻找到全局最优解的迭代次数更少,寻优的稳定性更好,优越性更强,验证了本文提出改进蝙蝠算法的可行性和有效性.下一步要研究的内容是将蝙蝠算法和其他优化算法相结合,得到优化性能更好、鲁棒性更强、收敛速度更快、稳定性更高的优化算法.参考文献：【相关文献】[1] DELGARM N,SAJADI B,KOWSARY F,et al.Multi-objective optimization of the building energy performance:A simulation-based approach by means of particle swarm optimization (PSO)[J].Applied Energy,2016,170:293-303.[2] YANG Q,CHEN W N,YU Z,et al.Adaptive multimodal continuous ant colony optimization [J].IEEE Transactions on Evolutionary Computation,2017,21(2):191-205. [3] SUN W,SUN J.Daily PM2.5 concentration prediction based on principal component analysis and LSSVM optimized by cuckoo search algorithm [J].Journal of Environmental Management,2017,188:144.[4] GARCIA-BEDIAGA A,VILLAR I,RUJAS A,et al.Multiobjective optimization of medium-frequency transformers for isolated soft-switching converters using a genetic algorithm [J].IEEE Transactions on Power Electronics,2017,32(4):2995-3006.[5] RANGANATHAN S,KALAVATHI M S,CHRISTOBER A R C.Self-adaptive firefly algorithm based multi-objectives for multi-type FACTS placement [J].Iet Generation Transmission &Distribution,2016,10(11):2576-2584.[6] EDLA D R,LIPARE A,CHERUKU R,et al.An efficient load balancing of gateways using improved shuffled frog leaping algorithm and novel fitness function for WSNs [J].IEEE Sensors Journal,2017,PP(99):1-1.DOI:10.1109/JSEN.2017.2750696.[7] 唐建新,赵付青,王馨.基于速度权重扰动机制的改进蝙蝠优化算法 [J].兰州理工大学学报,2016,42(1):104-108.[8] YANG Xinshe.A New metaheuristic bat-inspired algorithm [J].Computer Knowledge and Technology,2010,284:65-74.[9] 吴聪聪,贺毅朝,陈嶷瑛,等.变异蝙蝠算法求解折扣{0-1}背包问题 [J].计算机应用,2017,37(5):1292-1299.[10] 龙文,张文专.求解约束优化问题的改进蝙蝠算法 [J].计算机应用研究,2014,31(8):2350-2353.[11] 屈迟文,傅彦铭,侯勇顺.融合入侵杂草算子的蝙蝠算法 [J].计算机应用与软件,2015(4):243-246.。
一种改进的混合蝙蝠算法
一种改进的混合蝙蝠算法郜振华;吴昊【摘要】为解决基本蝙蝠算法中存在的易陷入局部最优且求解精度不足的问题,提出一种改进的混合蝙蝠算法,引入了分组迭代模式和多种速度迭代公式加强了全局搜索能力,更新了种群领域搜索公式的基础上引用了t分布作为种群最优解的领域搜索方式,补足了蝙蝠算法的局部搜索能力,避免了算法陷入局部最优解.通过多个标准测试函数的实验验证改进的混合蝙蝠算法能有效解决基本蝙蝠算法中出现的问题.【期刊名称】《南华大学学报（自然科学版）》【年(卷),期】2019(033)001【总页数】5页(P62-66)【关键词】蝙蝠算法;混合算法;分组迭代【作者】郜振华;吴昊【作者单位】安徽工业大学管理科学与工程学院,安徽马鞍山243000;安徽工业大学管理科学与工程学院,安徽马鞍山243000【正文语种】中文【中图分类】TP180 引言蝙蝠算法(bat algorithm,BA)是X.S.Yang教授于2010年提出的[1]，通过模拟蝙蝠在自然界觅食的过程来实现算法的迭代与寻优过程。
和粒子群优化算法(particleswarm optimization algorithm,PSO)一样，蝙蝠算法也是基于群体的随即搜索机制，而区别在于蝙蝠算法的随机性更强，因此蝙蝠算法具有收敛速度快、鲁棒性好的优点[2]。
从蝙蝠算法提出至今，主要应用于求解函数优化问题上，少数学者用其解决离散问题。
盛孟龙[3]等人针对蝙蝠算法处理高维复杂问题易陷入局部最优解的情况，引入了交叉变化来更新蝙蝠群体的位置，提出了一种改进的自适应变异蝙蝠算法；裴宇航[4]等人在蝙蝠算法的速度更新公式中加入了惯性权重，并采用一种均匀分布和贝塔分布的随即调整策略；薛菲[5]在其博士论文中阐述了大量蝙蝠算法的改进方案，具有非常高的参考价值；魏三强、张超[6]等人为了解决进行局部搜索时蝙蝠算法易陷入局部极值的问题，使用t-分布对局部搜索时的最优解进行变异操作。
一种基于改进ABC算法与DE变异策略的自适应聚类方法[发明专利]
![一种基于改进ABC算法与DE变异策略的自适应聚类方法[发明专利]](https://img.taocdn.com/s3/m/3fdf009902768e9950e738b9.png)
尊敬的招聘负责人：
您好！在此，我诚挚地向您推荐自己，希望能成为贵校的一员。
我是一名热爱教育事业的小学数学老师，拥有多年的教学经验和扎实的专业知识。
我相信，我能为贵校的学生带来快乐和进步，为学校的繁荣发展贡献自己的力量。
自从我成为一名教师以来，我一直秉持着教书育人的信念，不断学习、进步，以提高自己的教育教学水平。
在教学过程中，我注重启发式教学，激发学生的学习兴趣和求知欲，让他们在轻松愉快的氛围中掌握知识。
同时，我还关注学生的个性发展，尊重他们的差异，因材施教，使每个学生都能充分发挥自己的潜能。
在过去的教学实践中，我取得了丰硕的成果。
我所任教的班级在各项评比活动中取得了优异的成绩，学生的数学成绩也有了明显的提高。
同时，我还积极参与学校的各项教育教学改革，将新的教育理念和方法融入到日常教学中，不断提高教育教学质量。
我深知，作为一名教师，仅有扎实的专业知识和丰富的教学经验是远远不够的。
还需要具备一颗关爱学生、敬业奉献的心。
在教学过程中，我始终以学生为本，关心他们的生活，关注他们的心理健康，想学生之所想，急学生之所急。
我坚信，只有用心去教学，用心去关爱学生，才能真正赢得他们的信任和尊重。
加入贵校，我将全身心地投入到教育教学工作中，为学校的发展贡献自己的力量。
我坚信，在贵校领导的关怀和支持下，我会在教育事业的道路上取得更大的成绩。
最后，请允许我再次向您表示诚挚的感谢，希望能有机会加入贵校，与您共同努力，为我国的教育事业贡献力量。
此致
敬礼！
应聘者：某某
某某年某某月某某日。
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。
基于Powell机制的改进蝙蝠算法
基于Powell机制的改进蝙蝠算法
李雅梅;曹益华
【期刊名称】《微电子学与计算机》
【年(卷),期】2015(0)3
【摘要】提出了一种基于powell机制的改进蝙蝠算法(POBA).从而提高编蝠算法的局部搜索能力,避免种群个体陷入局部最优,增强算法全局寻优能力.在MATLAB 环境下,运用5个标准测试函数进行实验仿真,结果表明,与BA算法相比,POBA算法的收敛速度及精度均有明显提高.
【总页数】5页(P73-76)
【关键词】蝙蝠算法;Powell机制;收敛速度;仿真
【作者】李雅梅;曹益华
【作者单位】辽宁工程技术大学电气与控制工程学院
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于Powell算法的改进微粒群算法 [J], 苏长慧;夏桂梅;屈向红
2.基于改进Welsh Powell的NPRACH子载波r偏置自配置算法 [J], 黄炎水;谢佳锐
3.基于Powell算法与改进遗传算法的医学图像配准方法 [J], 李超;李光耀;谭云兰;徐祥龙
4.基于速度权重扰动机制的改进蝙蝠优化算法 [J], 唐建新;赵付青;王馨
5.基于遗传扰动机制的改进蝙蝠优化算法 [J], 杜先君;马金斗
因版权原因，仅展示原文概要，查看原文内容请购买。
求解全局优化问题的改进蝙蝠算法（英文）
求解全局优化问题的改进蝙蝠算法（英文）
汪春峰;马民;申培萍
【期刊名称】《应用数学》
【年(卷),期】2016(29)3
【摘要】蝙蝠算法(BA)是一类基于试探技巧的群智能优化算法,该算法已被广泛用于诸多领域问题的求解.本文提出一个改进的蝙蝠算法NIBA.在算法中,为了加强蝙蝠算法的局部和全局搜索能力,提出了三个改进策略.首先,为了改进蝙蝠的局部搜索能力,在当前最优解处给出了一个新的搜索方程.其次,为了改进算法的全局搜索能力,平衡算法的开发能力和探索能力,算法吸收并改进了和声搜索机制.最后,为了进一步提高NIBA算法的搜索能力,在当前最优解处,算法采用了混沌搜索机制.为了验证算法的性能,针对18个标准测试函数进行了数值实验.与其它算法的比较结果显
示,NIBA算法具有更好的稳定性,且效率更高.
【总页数】11页(P632-642)
【关键词】蝙蝠算法;和声搜索;连续优化;全局优化
【作者】汪春峰;马民;申培萍
【作者单位】河南师范大学数学与信息科学学院;河南师范大学数学与信息科学学院大数据统计分析与优化控制河南省工程实验室
【正文语种】中文
【中图分类】O224
【相关文献】
1.求解约束优化问题的改进蝙蝠算法 [J], 龙文;张文专
2.求解大规模优化问题的可全局收敛蝙蝠算法 [J], 黄光球;赵魏娟;陆秋琴
3.一种求解多维全局优化问题的改进蝙蝠算法 [J], 陈梅雯;钟一文;王李进
4.求解全局优化问题的改进灰狼算法 [J], 张阳;周溪召
5.改进的人工蜂群算法求解全局优化问题 [J], 王淑芬;原杨飞
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于改进蝙蝠算法的云平台的资源调度方法[发明专利]
![一种基于改进蝙蝠算法的云平台的资源调度方法[发明专利]](https://img.taocdn.com/s3/m/092f0940cbaedd3383c4bb4cf7ec4afe04a1b19d.png)
专利名称：一种基于改进蝙蝠算法的云平台的资源调度方法专利类型：发明专利
发明人：贺小伟,祁巨擘
申请号：CN202111544885.8
申请日：20211216
公开号：CN114358234A
公开日：
20220415
专利内容由知识产权出版社提供
摘要：一种基于改进蝙蝠算法的云平台的资源调度方法，S1，接收用户提交的任务，并把每个任务划分为子任务，每个子任务的规模大致相等，为每个子任务生成蝙蝠种群；S2，初始化步骤一生成的蝙蝠种群中的每个蝙蝠的位置、速度、脉冲搜索频率以及脉冲搜索频率范围；S3，改进蝙蝠算法，使用改进的蝙蝠算法求解步骤二初始化后的蝙蝠种群；S4，得到全局最优解，并根据所述最优解进行云平台的资源调度。
基于对数递减策略的惯性权重方法来更新速度以及为了使算法不过早的陷入局部最优解，提高算法的搜索性能，通过添加随机扰动来更新当前最优解增加种群的多样性，从而最大限度地挖掘蝙蝠算法的随机搜索能力。
申请人：西北大学
地址：710069 陕西省西安市碑林区太白北路229号
国籍：CN
代理机构：西安西达专利代理有限责任公司
代理人：刘华
更多信息请下载全文后查看。
基于蝙蝠算法的改进杂草算法研究
基于蝙蝠算法的改进杂草算法研究刘元苗;高晓智【摘要】提出了一种新型的混合算法并命名为混合杂草蝙蝠算法(Hybridize Invasive WeedOptimization with Bat Algorithm,IWOBA),该算法在杂草算法的基础上利用蝙蝠算法的回声定位来解决每代种子逐步寻优的问题.其原理是利用种群速度和位置的不断更新,增加种群的多样性,从而达到提高种群的全局收敛性.最后利用6个测试函数对该算法和标准杂草算法进行测试比较.仿真结果表明,IWOBA 能够有效克服原算法早熟、易陷入局部最优的缺点,可加快算法收敛速度,具有良好的鲁棒性.【期刊名称】《微型机与应用》【年(卷),期】2015(034)003【总页数】4页(P75-77,81)【关键词】杂草算法;蝙蝠算法;回声定位【作者】刘元苗;高晓智【作者单位】上海海事大学信息工程学院,上海201306;上海海事大学信息工程学院,上海201306;阿尔托大学自动化与系统技术系,芬兰赫尔辛基FI-00076【正文语种】中文【中图分类】TP301入侵杂草算法（Invasive Weed Optimization，IWO）是由德黑兰大学的Mehrabian等在2006年提出来的，它是一种模拟自然界杂草入侵的新型的数值优化算法。
该算法具有很强的鲁棒性和适应性，并且具有易于理解及实现等特点。
近几年来，在很多学者的研究下，杂草算法已经成功应用到图像聚类、工程约束设计以及DNA编码等众多领域中[1-2]。
与其他智能算法相比较，标准杂草算法本身存在易于陷入局部最优解和收敛精度不高的不足，这些不足都影响着算法的寻优效果。
因此，Hajimirsadeghi和Lucas 提出了一种IWO和PSO融合的算法[3]，利用位置和速度的更新，使得算法避免了局部最优解；Zhang Xuncai等人在标准IWO算法中引入了交叉算子，避免算法早熟，提高了全局最优解[4]；张玉等人将遗传算法中的选择机制加入到标准IWO算法中，从而提高算法的多样性[5]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
收稿日期：2013－11－25修回日期：2014－03－03网络出版时间：2014－07－28基金项目：陕西省软科学基金项目（2012KＲM58）；陕西省教育自然科学基金项目（12JK0744）作者简介：盛孟龙（1987－），男，河南驻马店人，硕士，研究方向为智能算法、元启发式算法；贺兴时，教授，研究方向为智能计算、数据挖掘的理论与方法、概率论与数理统计等。
网络出版地址：http ：//www．cnki．net /kcms /detail /61．1450．TP．20140728．1222．013．html一种改进的自适应变异蝙蝠算法盛孟龙，贺兴时，王慧敏（西安工程大学理学院，陕西西安710048）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。
关键词：蝙蝠算法；交叉变换；Beat 分布；自适应变异中图分类号：TP301．6文献标识码：A文章编号：1673－629X （2014）10－0131－04doi ：10．3969/j．issn．1673－629X．2014．10．031An Improved Algorithm for Adaptive Mutation BatSHENG Meng－long ，HE Xing－shi ，WANG Hui－min（College of Science ，Xi ’an Polytechnic University ，Xi ’an 710048，China ）Abstract ：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 transform to 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 used to conduct the numerical simulation for the improved algorithm ，the results show that the improved al-gorithm is more effective．Key words ：bat algorithm ；cross－conversion ；Beat distribution ；adaptive mutation0引言蝙蝠算法是Yang Xinshe 在2010年提出的［1］，灵感是来源于自然界的蝙蝠觅食的过程。
和粒子群优化算法一样，蝙蝠算法也是基于群体的随机搜索机制，区别在于蝙蝠算法的随机性更强，因此蝙蝠算法具有收敛速度快、鲁棒性好的优点［2］。
由于蝙蝠算法具有的概念简单、易于实现、结构简洁等优势，使该算法在多个学科和工程领域得到了广泛的应用［3－7］。
为了进一步提高蝙蝠算法的精度，文中将对蝙蝠算法做进一步研究，引入一种自适应和交叉变换的方法，一方面可以提高算法的精度，另一方面可以增加群体多样性。
实验结果表明效果很好。
1蝙蝠的行为及蝙蝠算法1．1蝙蝠的速度和位置更新蝙蝠是靠一种声呐来探测猎物，躲避障碍物的。
利用回声定位的声学原理，蝙蝠通过调整发声的频率来判断猎物的大小，根据回声的变化探测目标物的距离、方向、移动速度、大小等，从而使蝙蝠能准确无误地进行飞行和扑食［8－9］。
根据蝙蝠的这种生活习性，与目标优化问题相关联，2010年由Yang Xinshe 提出了这种蝙蝠算法。
算法给出了由n 只蝙蝠组成的群体在飞行过程中更新速度、位置、响度及脉冲速率的数学表述形式：f i =f min +（f max －f min ）β（1）第24卷第10期2014年10月计算机技术与发展COMPUTEＲTECHNOLOGY AND DEVELOPMENTVol．24No．10Oct．2014v t i =v t－1i+（x ti－x*）fi（2）x t i =x t－1i+v ti（3）其中，x ti 和v ti分别表示在d维搜索空间下蝙蝠群体中第i只蝙蝠的第t代的位置和速度，i=1，2，…，n；β∈［0，1］是一个服从均匀分布的随机向量；x*表示当前全局最优位置（解），是在所有蝙蝠搜索到的解当中，通过比较得到的位置。
由于λi *fi是速度增量，可以根据具体问题的需要，固定一个因素λi （或fi），同时使用另一个因素fi （或λi）来调整速度的改变。
在实现过程中，依据问题需要搜索的范围大小，令fmin=0，fmax =O（1）。
每只蝙蝠的初始化是按照［fmin，fmax］间的均匀分布随机赋给一个频率。
对于局部搜索，一旦在当前最优解中选中了一个解，则每只蝙蝠将按照随机游走的方式产生局部新解。
x new =xold+εA t（4）其中，ε∈［－1，1］是一个随机数；A t=＜A ti＞是所有蝙蝠在同一个时间段的平均音量。
蝙蝠的速度和位置更新步骤有些类似于标准粒子群优化，粒子群优化中的fi本质上是控制粒子群体的移动范围和空间的。
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，其平衡受音量和脉冲发生率的控制。
1．2蝙蝠的音量和脉冲发生率音量A和脉冲发生率f按照以下迭代过程更新。
当蝙蝠找到猎物时，音量就会降低，脉冲发生率就会增加，音量会以任意简便的值改变。
蝙蝠i的音量和脉冲发生率更新公式为：A t+1 i =αA ti，r t+1i=r0i［1－exp（－γt）］（5）其中，α和γ为常量。
对任意的0＜α＜1，γ＞0，有A ti→0，r t i→r0i，as t→#（6）最简单的情况是令α=γ，在实现中，文中使用的是α=γ=0．95。
2改进的蝙蝠算法（ABA）为解决蝙蝠算法在高维问题上的弱势，引入一种交叉变换的方式，影响蝙蝠的位置更新，即将式（7）中的均匀分布的随机向量β写成一个服从Beta分布的随机向量βi∈［0，1］，如此式（1）就变成了式（7）：f i =fmin+（fmax－fmin）βi（7）Beta分布覆盖率包含了从均匀分布到正态分布及各种不对称的分布，是常见分布中少数取值在有限区间的分布，可用来当作取值在（0，1）的机率模式，具有广泛的应用前景和普适性。
为了使蝙蝠算法的位置更新更为灵活多样，将算法的速度更新公式变成以下形式：v ti=εv t－1i+（x ti－x*）fi（8）其中，ε为学习因子；ε∈N（0，1）是一个服从正态分布的随机向量。
由于算法的精确度是评估算法优劣的一个重要因素，所以在算法收敛过程中，对局部最优解的搜索直接影响到算法的精确度［10］。
在蝙蝠算法中，局部搜索是通过对蝙蝠的平均音量来控制的。
文中使用自适应变异的依据如下［11］xnew=xold+σ'ij·Betarandj（）（9）其中，σ'ij=σij*exp（τN（0，1）+τ'Nj（0，1）），σij 取值为蝙蝠的最低音量A=0．25，N（0，1）表示均值为0、标准差为1的正态随机数，Nj（0，1）表示针对每一个j的不同的伪随机数，τ和τ'分别设置为12槡n和12槡槡n［12］，n为迭代次数；Betarand j（）是一个服从Beta分布产生的随机数。
σ'ij·Betarandj（）表示音量A 随着在搜索最优解过程中不断的变化，最大值可达到给定的上限，最小值可非常接近0，随着搜索的不断进行，对局部的搜索也更为充分，从而达到更高精确度。
通过上述分析，文中提出了一种改进的蝙蝠算法—自适应变异蝙蝠算法。
假设蝙蝠种群大小为n，搜索空间的维度为D，第i只蝙蝠的位置为x（i）=（xi1，xi2，…，xiD），其中i=1，2，…，n。
自适应变异蝙蝠算法的基本步骤概括如下：Step1：初始化种群蝙蝠规模和搜索空间维数，以及第i只蝙蝠位置：x（i）=randn（1，D），i=1，2，…，n；初始化速度v（i），i=1，2，…，n；初始化脉冲发射速率Ｒ，脉冲响度A（i），脉冲频率F（i），初始适应度值fitness（i）=Z（x（i））（i=1，2，…，n），当前最优适应度值fbest和当前最优位置（解）xbest；Step2：利用式（2） （4）产生新解；Step3：判断是否满足变异条件rand＞Ｒ，如满足，则通过式（9）更新新解的位置xnew；否则转至Step4；Step4：判断新解的值是否满足Znew≤fitness（i），如果满足，转至Step5，如果满足rand＜Ｒ，更新当前适应度值为新的位置xnew，否则转至Step5；Step5：比较新适应度值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以及最优位置（解），否则转至Setp2；Setp6：更新当前最优位置（解）x*，以及对应参数；判断是否满足终止条件，满足则返回Step2，否则算法结束，输出最优值。
3实验设置及结果分析3．1测试函数文中采用了通常进行优化算法实验的Benchmark·231·计算机技术与发展第24卷函数进行实验。