優(yōu)化問題是人們在科學研究和生產(chǎn)實踐中經(jīng)常遇到的問題，人們已經(jīng)對大量的最優(yōu)化問題進行了深入的研究，并將其拓展成為了一門重要的學科門類。傳統(tǒng)以梯度為基礎(chǔ)的最速下降法、線性規(guī)劃、單純形方法等優(yōu)化方法，在問題的目標函數(shù)是凸集、連續(xù)可微可導等情況下，具有較高的計算效率。但在實際應用的物流配送中心的選址、設(shè)備資源的最優(yōu)分配、車間在制品的產(chǎn)品調(diào)度與布局等領(lǐng)域中，出現(xiàn)了許多大規(guī)模、非線性、多極值、多約束、非凸性等現(xiàn)象，這就使得傳統(tǒng)的優(yōu)化方法難以進行數(shù)學建模，從而給以仿生為特征的群智能計算方法提供了廣闊的應用舞臺，并誕生了一批模擬生物行為的“啟發(fā)式方法”，這其中的典型代表包括遺傳算法GA、蟻群優(yōu)化算法ACO、粒子群優(yōu)化算法PSO和細菌覓食優(yōu)化算法BFO等。相關(guān)研究表明，現(xiàn)有群智能算法或多或少地存在著“早熟”、“晚熟”甚至“不熟”的收斂性缺陷與問題，因此許多學者將視角瞄向了在不同的群智能算法之間取長補短，確定改進各種優(yōu)化算法性能的方式與途徑。在以上主要的群體智能優(yōu)化算法中，GA、ACO、PSO都是基于高等生物作為啟發(fā)對象，形成的一種“生成+檢驗”為特征的自適應人工智能計算技術(shù)，而BFO等算法，則是從微生物的行為機制出發(fā)，通過模擬細菌對環(huán)境感知的變化，而形成的一種新優(yōu)化方法。
由于微生物智能仿生技術(shù)問世的時間太短，國際學術(shù)界目前對BFO等相關(guān)研究尚有許多空白，這一新型的智能仿生算法還遠未獲得學術(shù)界應有的足夠重視。因此，本文嘗試對微生物的行為機制及其生理特性進行建模仿真，探討這一新型智能計算方法的改進方式，從而豐富仿生優(yōu)化算法中的微生物智能計算這一領(lǐng)域，繼而對其他仿生優(yōu)化算法提供一定意義上的技術(shù)借鑒，為本文提供針對現(xiàn)有生物體系優(yōu)化算法融合改進的新途徑、新視角。本研究采用規(guī)范分析和實驗研究為主的研究方法，對仿生優(yōu)化的思想基礎(chǔ)、主要門類和算法框架程式進行了探討，闡述了仿生優(yōu)化算法性能比較的問題測試函數(shù)、算法優(yōu)劣的性能比較指標和算法迭代中的種群多樣性度量指標，并對基本的BFO算法原理、實現(xiàn)步驟進行了深入分析，討論了BFO算法中現(xiàn)有趨化算子、繁殖算子和遷移算子在程序執(zhí)行中表現(xiàn)出的主要問題，進而利用測試函數(shù)對算法的各種參數(shù)設(shè)置進行了實驗，提出了BFO算法參數(shù)設(shè)置的部分規(guī)律，基于最優(yōu)覓食理論對BFO算法進行了實驗，討論了細菌在趨化過程中的不同覓食方式對算法性能的主要影響。
在以上理論分析的基礎(chǔ)上，本文嘗試對群智能算法進行算法思想的理論融合，試圖分析現(xiàn)有不同群智能算法的特征，基于高等生物的群體協(xié)作、生物種群的基因進化和統(tǒng)計學習的分布估計三個層面，對現(xiàn)有算法的微觀行為層面、基因改進層面和宏觀指導層面進行改進，以提高BFO基本算法的測試性能，并使之具備協(xié)調(diào)進化和學習適應等多重智能，從而達到提高算法的搜索速度和精度的目的。
本文嘗試構(gòu)建的改進BFO算法不僅具有方法上的創(chuàng)新，而且對現(xiàn)有智能計算技術(shù)具有較為積極的思想?yún)⒖迹瑥亩哂幸欢ㄒ饬x上的理論創(chuàng)新。論文的主要研究成果表現(xiàn)在以下幾個方面:
(1)系統(tǒng)總結(jié)了仿生優(yōu)化群智能計算的基本原理和主要方法，分析了現(xiàn)有算法性能比較的無免費午餐定理(NFL)，闡述了算法性能比較所使用的標準測試函數(shù)、性能比較和種群多樣性評價指標，揭示了各種群智能計算方法的思想基礎(chǔ)，為后續(xù)文章所提及的算法優(yōu)化及其改進研究提供評價體系和理論上的參照。
(2)深入研究了細菌覓食優(yōu)化算法的基本原理，分析了現(xiàn)有的趨化、繁殖和遷移算子在算法尋優(yōu)中的局限性，對算法中的基本參數(shù)進行了分析，討論了相關(guān)參數(shù)設(shè)置的經(jīng)驗和取值借鑒，比較了PSO和BFO中的兩種覓食行為策略，分別利用細菌能量和適應度來模擬非常規(guī)和常規(guī)覓食策略，驗證了不同覓食策略對算法性能的影響，最后提出了針對細菌覓食優(yōu)化的四個方面的改進目標和具體改進行為策略。
(3)分析了生物在覓食過程中的競爭和協(xié)作兩種主要行為，探討了基于協(xié)作思想的魚群算法和學習思想的粒子群算法的主要思想?；隰~群算法的思想，賦予細菌感知群體狀態(tài)的能力，可以進行優(yōu)值跟蹤(追尾群體最優(yōu))和聚群(向群體中心位置好的靠攏)，提出了環(huán)境感知BFO算法，提高了問題求解的精度?；赑SO的自我學習和社會學習思想，提出了協(xié)作BFO，使得算法具有更大概率獲得全局最優(yōu)解。
(4)分析了生物進化的適者生存、物種選擇和遺傳學說理論，討論了基于生物進化的廣義進化計算方法，分析了以進化思想為基礎(chǔ)的遺傳算法及其進化計算的基本思想?；诓罘诌M化的思想，在細菌繁殖時通過群體內(nèi)個體間的差分合作與競爭，來實現(xiàn)細菌群體的優(yōu)化，從而對趨化周期結(jié)束后的維度退化現(xiàn)象進行修正，差分算子明顯提高了BFO算法的精度、魯棒性和全局最優(yōu)獲取能力?；谏w免疫系統(tǒng)的思想，設(shè)置了基于免疫體的克隆繁殖算子，在趨化周期完成后對精英細菌進行克隆、高頻變異和隨機交叉，從而引導算子搜索，使得算法對部分測試函數(shù)具有很好的適用性，并能快速收斂，找到全局最優(yōu)解。
(5)分析了最新出現(xiàn)的智能計算的分布估計的方法，探討了分布估計引入智能計算的可能性，從而可以充分利用實際問題的先驗信息，完成從宏觀指導思想上的建模?；诜植脊烙嬛械母咚狗植妓枷?，在細菌趨化周期結(jié)束后的繁殖環(huán)節(jié)，引入了高斯分布繁殖的概念，從宏觀上對較優(yōu)秀的部分細菌進行統(tǒng)計建模，明顯提高了BFO算法的精度和魯棒性，對部分測試函數(shù)具有很大的適應性?；诂F(xiàn)有細菌繁殖的真實生長曲線，打破BFO算法的三層嵌套框架，模擬了細菌在優(yōu)化過程中的菌群自由分布規(guī)律，建立了細菌自我繁殖和消亡的系統(tǒng)模型，進而從另一個側(cè)面對前述BFO算法的相關(guān)性能進行佐證。
(6)利用標準測試函數(shù)對改進細菌覓食優(yōu)化的算法性能進行測試驗證，在MATLAB軟件平臺上設(shè)計和開發(fā)了相應的計算機程序附后，針對實際優(yōu)化中的連續(xù)空間和離散空間，采用神經(jīng)網(wǎng)絡預測問題和車間作業(yè)調(diào)度問題對算法性能進行驗證，拓展了連續(xù)性BFO的應用空間，為神經(jīng)網(wǎng)絡的權(quán)重求解和作業(yè)調(diào)度優(yōu)化提供了一種新的信息處理和智能計算工具。