基于微生物行为机制的粒子群优化算法研究

粒子群优化算法(PSO)是群智能算法中较新的一个分支，因其简单快速、通用性强而受到国际学术界的高度关注。迄今为止，PSO研究基本上还停留在实验模拟阶段，很少触及仿真算法的生物学本质。鉴于以鸟类高等生物为启发对象的PSO及其改进模型存在早熟、晚熟、甚至不熟的收敛性缺陷，本项目拟借鉴本世纪初最新提出的细菌觅食理论与优化算法(BFO)，从微生物行为特性及生物学结构的新视角，探索粒子群算法的改进途径。研究内容包括：1) 生物最优觅食理论和非常规觅食策略；2）微生物群体中个体与个体、个体与环境之间的信息传递和共享机制；3）大肠杆菌(E.Coli)觅食行为的生物学原理；4）E.Col生命周期行为的计算机仿真实验；5）微生物与高等生物的寄生、侧生与共生关系；6）基于主从式结构的多子群差分进化模型。该研究不仅具有理论上和方法上的科学价值，而且在管理决策和工程技术领域具有广阔的应用前景。

粒子群优化算法（PSO）是群智能算法中较新的一个分支，因其简单快速、通用性强而受到国际学术界的高度关注。迄今为止，PSO研究基本上还停留在实验模拟阶段，很少触及仿真算法的生物学本质。鉴于以鸟类高等生物为启发对象的PSO及其改进模型存在早熟、晚熟、甚至不熟的收敛性缺陷，本项目拟借鉴本世纪初最新提出的细菌觅食理论与优化算法（BFO），从微生物行为特性及生物学结构的新视角，探索粒子群优化算法的改进途径。. 本项目的研究内容包括：1. 生物最优觅食理论和非常规觅食策略；2. 微生物群体中个体与个体、个体与环境之间的信息传递和共享机制；3. 大肠杆菌（E.Coli）觅食行为的生物学原理；4. E.Coli生命周期行为的计算机仿真实验；5. 微生物与高等生物的寄生、侧生与共生关系；6. 基于主从式结构的多子群差分进化模型。. 研究取得的主要成果为：1. 将微生物的兼性寄生行为嵌入粒子群算法中，构建了基于生物共生机制的粒子群算法（PSOPB）；2. 在细菌觅食的繁殖算子中嵌入分布估计算法，提出了分布式细菌觅食优化方法（EDA-BFO）；3. 赋予细菌灵敏度，并将群内差分的思想引入趋化算子，提出了均衡式细菌觅食优化算法（DEBFO）；4. 赋予细菌自由生长的成长机制，根据细菌能量和生存寿命进行自我繁殖和消亡，建立了基于菌落生态自由分布的觅食优化算法（ECBFO）；5. 探索了双种群粒子的捕食行为规律，在克隆变异的基础上提出了基于免疫机制的细菌觅食算法和基于交互学习的粒子群优化算法；6. 将细菌群体感应机制和细菌免疫逃避机制分别嵌入粒子群优化算法，提出了基于群体感应和基于免疫逃避机制的粒子群优化算法；7. 分别设计了各种算法相应的计算机应用程序，在多个标准测试函数的基础上检验和证实了微生物行为模式对粒子群算法的改进效果。