基于DE算法改进的蝙蝠算法的研究及应用

基于改进蝙蝠算法的水下机器人避障路径优化方法

基于改进蝙蝠算法的水下机器人避障路径优化方法我跟你说，基于改进蝙蝠算法的水下机器人避障路径优化方法这事儿，可把我折腾得够呛。

说实话，最开始的时候我就像没头的苍蝇一样瞎摸索。

我知道蝙蝠算法是个很厉害的算法，它模拟蝙蝠的回声定位原理来搜索最优解。

但是直接用在水下机器人避障路径优化上，问题多多。

我一开始就按照常规的蝙蝠算法思路来搞。

你看啊，蝙蝠算法里蝙蝠的位置更新公式就很关键。

我就按照传统的方式去设置那些参数，像蝙蝠的飞行速度、蝙蝠发出脉冲的频率这些。

但结果呢，水下机器人在模拟环境里到处乱撞，根本做不到有效的避障和路径优化。

我就想，这肯定是哪里出大问题了。

后来我就寻思着，水下的环境和我们平常的环境不一样啊，有水流之类的干扰。

我得把这个考虑进去。

我就尝试改进那些参数的计算方式，就好比你本来是在平地上走路随便迈步子，现在是在水里走，得随着水流的力量调整自己的步子大小和方向。

我把这些水流因素放到那一堆计算公式里，那计算量一下子就变得很复杂。

我又在这个时候犯错了。

我没做好数据的范围限制，弄出来的结果不是特别离谱的大，就是负值，这显然不符合实际情况啊。

这就像是你本来打算做一个合适的蛋糕，结果放材料的时候没控制好量，不是糖太多把人甜死，就是根本忘了放面粉，成不了型。

然后我就反复检查我的公式和代码，确定每个参数在考虑水流等因素后的合理范围。

还调整了蝙蝠算法中蝙蝠个体之间信息交流的部分。

因为在水下机器人避障路径优化里，机器人之间的协作也很重要。

如果周围有其他机器人发现了更好的路径，要像蝙蝠种群里其他蝙蝠能学习经验一样，也好修改自己的路径。

我不确定我现在的这个改进版方法是不是在所有情况下都能做到最好，不过在多次的模拟测试里是已经有不错的表现了。

我还想说呢，对于数学公式部分一定要谨慎又谨慎，每一个小的变动都可能会对最终的结果有很大的影响。

还有就是不能光纸上谈兵，一定要多做模拟测试，这样才能发现好多实际存在但在理论推导里容易忽略的小问题。

改进蝙蝠算法解决FFSP问题及其应用研究

2019，55（9）1引言生产车间调度问题一直是工业生产中提高生产效率的重中之重，一直以来被公认为是一种NP-Hard 的组合问题[1]；前有学者在关于流水车间调度和作业车间调度问题上做了大量的研究[2-5]；在工业4.0与中国智能制造2025等出现后，生产车间柔性生产越来越受到重视，解决柔性作业车间调度问题（FJSP ）和柔性流水车间调度问题（FFSP ）已成为生产调度问题研究的新方向，对提高工厂生产效率和智能制造水平具有重要的意义。

在算法领域中，近来元启发式算法尤其是集群优化算法成为解决许多复杂优化问题的中坚力量[6-10]。

集群类算法的灵感大都来之自然界中的生物集群现象，核心算法也是模拟生物系统的行为，例如，鱼群算法、布谷鸟、蚁群等，此类算法在解决问题上的优势是不需要特殊的问题特征，对优化的问题具备一定的通用性，易于实现。

改进蝙蝠算法解决FFSP 问题及其应用研究尹建津1，张贝克1，高东1，许欣21.北京化工大学信息科学与技术学院，北京1000292.北京德普罗尔科技有限公司，北京100029摘要：针对连续蝙蝠算法不适合解决柔性流水车间调度问题（FFSP ），提出了一种改进的连续蝙蝠算法。

该算法改进了编码方式，同时在位置更新函数中加入自适应的调节因子，改善靠近最优解收敛速度下降的问题；通过仿真对比实验，结果表明了算法的优越性和可行性。

最后根据某工厂图章的实际生产线，在3D 仿真软件平台上搭建了生产流水线，完成了算法的应用，生产结果显示算法有较高的应用价值。

关键词：连续蝙蝠算法；柔性流水车间调度；编码方式；生产应用文献标志码：A 中图分类号：TP391doi ：10.3778/j.issn.1002-8331.1801-0080尹建津，张贝克，高东，等.改进蝙蝠算法解决FFSP 问题及其应用研究.计算机工程与应用，2019，55（9）：243-247.YIN Jianjin,ZHANG Beike,GAO Dong,et al.Improved bat algorithm for solving flexible flow shop scheduling problem and its puter Engineering and Applications,2019,55（9）：243-247.Improved Bat Algorithm for Solving Flexible Flow Shop Scheduling Problem and Its Application YIN Jianjin 1,ZHANG Beike 1,GAO Dong 1,XU Xin 21.College of Information Science and Technology,Beijing University of Chemical Technology,Beijing 100029,China2.Beijing Digital Process Technology Co.Ltd.,Beijing 100029,ChinaAbstract ：In order to solve the problem that continuous bat algorithm is not suitable to solve Flexible Flow Scheduling Problem （FFSP ）,an improved continuous bat algorithm is proposed.The algorithm improves the coding method.Adap-tive updating factor is set in position updating function to improve the convergence speed near the optimal solution.Simu-lation results prove the superiority and feasibility of the algorithm.Finally,according to the actual production of stamps,a production line is built in 3D simulation software platform.The production experiment of the algorithm is completed and the application value of the algorithm is verified.Key words ：continuous bat algorithm;Flexible Flow Scheduling Problem （FFSP ）;coding method;production verification 基金项目：国家自然科学基金（No.61703026）。

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。

蝙蝠算法的一种改进方法

蝙蝠算法的一种改进方法
魏三强;张超
【期刊名称】《东北师大学报：自然科学版》
【年(卷),期】2017(49)4
【摘要】针对蝙蝠算法在进行局部搜索时,易使算法陷入局部极值的束缚,导致算法收敛精度不高的缺陷,提出了使用t-分布对局部搜索时的最优解进行变异操作.为最优解各维度增加t分布型随机扰动项,选取7个经典测试函数做仿真实验.实验结果表明:改进的蝙蝠算法在收敛精度和速度上有显著提升,说明通过对最优解实施t-分布扰动能够使算法摆脱局部极值的束缚,显著提高收敛精度.
【总页数】6页(P76-81)
【关键词】蝙蝠算法;t分布;收敛精度;群体多样性;智能算法
【作者】魏三强;张超
【作者单位】宿州职业技术学院计算机信息系;中国矿业大学信息与控制工程学院【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.一种改进的混合蝙蝠算法 [J], 郜振华;吴昊
2.一种改进的蝙蝠算法* [J], 周贤泉; 宋威; 张士昱; 王晨妮
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。

蝙蝠算法研究及应用综述

蝙蝠算法的参数 α 和 γ 影响着算法的性能，主要是影响算法的收敛速度。当 γ 逐渐变大时，个体使用公式（4）更新位置，算法进行全局搜索的收敛速度较慢；当 γ 逐渐变小时，个体在当前最佳位置附近搜索，虽然搜索速度会加快，但是容易被最佳值吸引而陷入局部最优。系数 α 是声波强度的衰减系数，它的作用与模拟退火算法中冷却参数类似，影响着蝙蝠是否接受更新后的位置。当 α 逐渐变大时，该趋近过程是缓慢的，这就为算法搜索提供了充备的时间，这会得到最优解但也会增加计算时间；但若 α 取值偏小，算法的收敛速度会加快，但是也更容易早熟。故如能让 α 和 γ 取合适的值可有效地改善算法收敛速度和搜索精度。另一方面，蝙蝠个体下一移动方位是由速度和位置更新方式决定，若是从影响个体速度和位置更新的参数出发进行改进，预期可在一定程度上提高算法的性能。
一个解决方案，新的局部解使用随机游走方式生成。
xnew = xold + ε × At
（5）
其中，ε ∈ [−1，1]，是一个随机数，At 是整个群体在同一
代中的平均响度。
蝙蝠在寻找猎物的过程中，会根据距目标猎物的方
位不断调整发出声波的响度和频度，以提高捕食效率。
在逐渐靠近猎物的过程中，蝙蝠寻找猎物的空间范围也
如果以理想化的方式研究蝙蝠的回声定位特征，就
可以更方便地模拟蝙蝠算法。在模拟蝙蝠算法的过程
中，使用以下近似理想化的规则[3]：
（1）所有蝙蝠都使用回声定位感知距离。
（2）蝙蝠在位置 xi 随机飞行，并具有固定的频率 f ，同时根据其与目标猎物的接近程度自动调整波长和
脉冲响度来搜索猎物。
（3）脉冲响度变化方式多样，算法假设其从最大值

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。

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]。

2021蝙蝠算法在战备物资调运决策优化中的应用研究范文3

2021蝙蝠算法在战备物资调运决策优化中的应用研究范文引言战备物资是为了应对战争或突发事件而提前准备的作战物品，其目的是保障部队能够快速投入战斗并且持续保持战斗力。

战备物资主要包括枪支弹药、车船油料等作战军械以及伙食被服等生活保障品，对于空军而言，战备物资以航空器材为主。

近些年，随着我军现代化建设不断加速，部队的后勤保障工作日渐成为关注焦点。

面对现今动荡的国际环境以及周边局势，建立完备的战备保障系统已经成为重中之重。

单个需求点的战备物资调运是战备保障工作中的常见项目，而如何找到一种高效合理的调运方案，正是调运指挥人员所急需解决的问题。

目前关于战备物资的研究主要集中在储备结构与策略上，如文献[1-3],而对于战备物资的调运问题研究较少。

文献[4]采用计算机终端进行物资转运控制，能够提高物资转运效率，但并未设计多目标多调运点条件下的优化问题；文献[5]建立了单个需求点的军械调运规划模型；文献[6]利用标准粒子群算法（PSO）对军械调运方案进行了优化。

然而，现有的解法不易运用在复杂的现实情况下，涉及供应点较多会出现内存溢出的情况，另外PSO也具有易陷入局部最优的缺陷。

蝙蝠算法（BatAlgorithm）是剑桥大学学者Yang[7]在 2010 年提出的一种基于蝙蝠回声定位行为的启发式算法。

该算法已经通过标准测试函数的测试[7-10],并应用于多种优化问题，尤其适用于处理包含约束的优化问题[8]以及多目标优化问题[9],其结果证明了蝙蝠算法相对于粒子群算法、遗传算法等其他仿真优化算法的优越性。

近年来蝙蝠算法在越来越多的领域展开了应用：李枝勇[11]使用蝙蝠算法解决了多目标多选择的背包问题；盛晓华[12]将蝙蝠算法应用在 PFSP 调度问题中，均取得了良好优化结果。

本文针对战备物资的调运问题进行了研究，建立了时间最短和损失度最低的多目标优化模型。

因为在多目标优化中，各目标属性往往彼此矛盾，基本上不可能同时达到最优，只能使各目标在一定范围内尽可能优化以获得最大的综合效益，这也是多目标优化的魅力所在。

基于改进的蝙蝠算法在云计算中的资源分配

基于改进的蝙蝠算法在云计算中的资源分配宋芳琴【摘要】Resource allocation in cloud computing has always been the focus of research, and in this paper, a resource allocation in cloud computing based on improved bat algorithm has been proposed. Differential genetic algorithm is introduced into bat algorithm and mutation, crossover and selection, etc. are employed to avoid individuals from falling into local optimum, and premature of the optimal solution. The improved bat algorithm can effectively improve the convergence speed and precision of the algorithm. Simulation experiments have shown that algorithm in this paper can not only greatly improve performance of the algorithm, but also optimize the resource scheduling capability in cloud computing system and improve utilization rate of resources in could computing.%云计算中的资源分配一直都是研究的重点, 提出了一种基于改进的蝙蝠算法的云计算资源分配方法. 在蝙蝠算法中引入差分遗传算法, 通过变异, 交叉和选择等操作避免个体陷入局部最优, 以及过早产生最优解的可能,改进后的蝙蝠算法能够有效的提高收敛速度和精度. 仿真实验表明, 本文算法不但有效提高了算法性能, 还优化了云计算系统中的资源调度能力, 提高了云计算资源的利用率.【期刊名称】《计算机系统应用》【年(卷),期】2015(024)008【总页数】5页(P128-132)【关键词】云计算;资源分配;蝙蝠算法;差分遗传算法【作者】宋芳琴【作者单位】绍兴职业技术学院信息工程学院,绍兴 312000【正文语种】中文云计算是目前互联网络中最热门的探索方向, 它是分布式计算, 并行计算, 网格计算的发展产物[1]. 如何能够更加合理的分配云计算的资源成为了目前资源调度中的研究方向, 目前国内外学者进行了很多的研究. 文献[2]从虚拟机的角度出发, 建立一种云计算下的资源调度多目标综合评价模型,合理的将虚拟机的资源和任务合并为一个过程,降低复杂性. 文献[3]也是从虚拟机资源的角度出发, 根据不同的情况分别给出资源调度的策略,并验证算法的有效性. 文献[4]描述了分布式系统的资源分配, 在一定的程度上可以有效的提高云计算下服务质量. 近年来, 伴随着计算机智能技术的发展, 各种新的仿生算法逐一被提出, 比如遗传算法, 粒子群算法, 蜂群算法, 人工免疫算法,人工蛙跳算法[5-9]等,文献[10]提出在基于蛙跳算法的云计算中引入搜索策略, 避免算法早熟收敛, 有效的提高了云计算中的资源调度的效率. 文献[11]提出了一种具有双适应度的遗传算法(DFGA),实验结果表明,此算法是一种云计算环境下有效的任务调度算法. 文献[12]提出一种融合遗传算法与蚁群算法的混合调度算法,该算法不仅克服了蚁群算法初期信息素缺乏,求解速度慢的问题,而且充分利用遗传算法的快速随机全局搜索能力, 使得蚁群算法在云计算资源模调度方面的优势得到了提高.蝙蝠算法是近年来一种新型的智能算法, 在进行资源调度方面具有良好的效果, 文献[13-14]提出对蝙蝠算法进行改进, 一方面通过增加步长的方式来进行改进, 另一方面提出了一种混沌搜索策略的算法, 改进的算法为云计算的资源调度提供参考.本文在蝙蝠算法的基础上, 将云计算的资源调度通过蝙蝠算法的优化来进行求解, 首先针对蝙蝠算法中缺乏一定的变异机制, 容易陷入局部最优的情况, 引入差分遗传算法使得改进后的蝙蝠算法全局寻优能力和搜索能力都得到增强, 通过测试函数的实验发现本文的算法的收敛速度和寻优精度上都有较大的提高. 仿真实验表明, 本文算法在云计算的调度方面提高了算法处理任务的效率, 减少了网络消耗时间. 如何能够进行云计算中的资源调度是解决云计算的关键问题, 云计算中的资源调度需要从虚拟节点的完成时间, 虚拟节点花费的网络费用, 虚拟节点的消耗网络资源等几个方面来进行考虑, 能够在多重解的情况的找到最小值, 本文为了简化研究问题的方便, 将以上的要求表述如公式(1)其中, 表示虚拟节点的数目且(为最大虚拟节点数目), 表示资源的数目且(为资源总数目)表示虚拟节点在使用第个资源, 表示在云计算环境下的完成完成资源分配时候的最小函数值, 表示的使用时间, 表示的使用网络费用, 表示的占据网络带宽资源. 蝙蝠算法(Bat Algorithm, 简称BA)[15]是2010年提出的一种新兴的启发式的智能算法. 该算法主要研究自然界中的蝙蝠的利用声纳来进行探测猎物, 从而能够避免障碍物的一种算法, BA算法的仿生原理是将种群数量为NP的蝙蝠个体映射到D维空间中的NP的可行解, 将求可行解的适应度函数值的优劣来衡量蝙蝠算法中蝙蝠个体所处于位置的优劣, 将个体的优劣的过程模拟成算法优化和搜索过程中的使用优良的可行解来替代目前的可行解的过程. 在蝙蝠算法中, 具有以下两个规则: 为了能够花费最小的时间和空间代价找到食物的最优个体, 设定目标函数为,目标变量根据前述的设置为维空间, 因此目标变量为的优化问题, 因此BA算法实施过程如下:设定蝙蝠的频率为, 其设定的范围是, 对应波长的范围是,蝙蝠响度为, 脉冲频率为,第只蝙蝠在时刻的位置和速度的更新公式如下其中, 表示的是蝙蝠频率, 表示随机服从均匀分布的随机变量. 表示前i-1次迭代之后获得的最优位置. 当进行局部搜索的时候, 从当前局部搜索中产生一个最优解, 每只蝙蝠就会随机产生一个新的位置.其中, 设定为随机参数, 为了避免蝙蝠位置的随意性扩大, 其取值在[-1,1]之间, 表示在时刻的所有蝙蝠的平均响度, 伴随着速度和位置的迭代而进行更新. 当食物发现之后, 响度下降, 脉冲频率上升.由于蝙蝠算法能够在资源调度的效率方面优于其他的智能算法, 因此, 可以将蝙蝠算法运用到云计算的资源调度中, 在一定程度上解决云计算中资源分配不均, 同时提高资源分配效率.3.1 蝙蝠算法在云计算中资源分配的不足从以上蝙蝠算法中可以发现蝙蝠通过个体之间的作用和影响来确定当前寻找到最优食物的最优个体, 但在每次选择食物的过程中容易导致陷入局部最优以及收敛速度慢等情况, 特别是个体之间缺乏灵活机制, 出现的局部极值约束后无法跳出. 由于云计算中的虚拟节点在进行分配任务的时候存在很多的不确定的因素, 因此如何能够合理的分配到虚拟节点的资源就如同蝙蝠算法能够获得目标函数最小值的一样, 因此针对蝙蝠算法的改进在一定程度上可以模拟为针对云计算资源分配算法的改进. 由于蝙蝠算法在迭代的过程中, 种群个体迅速向周围进行靠近, 从而在一定程度上对于种群的规模进行减少, 同时导致多样性降低, 无法获得最优解, 同时对云计算中的资源调度造成影响.3.2差分遗传算法差分算法采用了遗传算法中的使用实数编码的特点, 是一种具有在连续空间具有随机搜索的优化算法, 针对群智能算法中的含有个初始种群, 每一个解是一个具有维向量的解, 主要有变异, 交互和选择三个部分构成.1) 变异操作: 在差分算法中, 本文主要选择公式(8)的变异方式.公式(8)中的是当前种群中的最好个体的第维向量, 为随机因子, 主要是用来控制差分向量的缩放程度, 设定值为[0,1]之间.2) 交叉操作: 通过一定的概率选择, 将变异的中间个体与父代个体之间进行交叉, 得到新的个体公式(9)中可以保证在交叉过程出现一个0到1之间的随机整数, 能够保证至少有一个分量来自.3) 选择操作. 差分算法在选择个体的时候采用“贪婪”选择策略, 从而能够保证适应度最优的个体选择到下一代中, 通过变异与交叉操作后生产的新的个体与上一代个体, , 否则就保持不变, 直接进入下一代.3.3 改进的蝙蝠算法在云计算中的描述本文的算法改进如下: 对进化后的蝙蝠个体位置不是直接进入到下一次迭代中, 而是通过差分遗传算法中变异, 交叉和选择操作, 找到新的位置之后进行迭代. 本文考虑到初始位置时候的蝙蝠算法群体初期存在局部差异大的情况, 因此蝙蝠个体的位置采用公式(2)(3)(4)在进行获得, 同时对获得产生最优解进行随机扰动通过公式(8)(9)(10)进行更新, 变异个体来自当前的最优个体, 从而可以保证局部搜索能力的增强, 收敛速度快. 对蝙蝠算法中的各个参数进行初始化, 将云计算中的任务按照子任务进行划分对应生成蝙蝠种群, 并且子任务按照完成时间, 网络费用, 网络消耗带宽资源进行编码设定, 同时将蝙蝠个体设置为虚拟节点.具体步骤如下:步骤1: 根据目标函数公式(1)来计算各个蝙蝠群个体的适应度的函数值, 从而确定当前所在位置的最优值对应的最优解(个体).步骤2: 通过公式(2)(3)(4)对蝙蝠算法中的频率, 速度和位置进行更新操作.步骤3: 对当前产生的最优解进行随机扰动, 从而产生一个新解, 对公式(6)和(7)的r 和A进行更新.步骤4: 对当前的最优解个体通过差分变异算法可以基于每一个蝙蝠个体的初始位置进行变异, 交叉和选择等操作, 从而可以得到新的蝙蝠位置.步骤5: 通过新的蝙蝠位置来获得个体适应度的新解, 通过与步骤2产生的新解进行比较, 从两者中获得更好的适应度的解步骤6: 完成规定的迭代次数之后, 算法停止. 因此对应的最优蝙蝠的一组个体的值就是最佳的一组虚拟节点, 在蝙蝠个体最优解就是这组虚拟节点上对应的云计算中资源调度的最优解.4.1 本文算法性能测试为了验证算法的有效性,采用文献[16]中的3个基准函数进行对比测试,从而验证算法的有效性以及算法的性能进行分析. 通过Windows xp的Matlab基础上进行测试.1) Sphere函数2) Schwefel函数3) Rosenbrock函数本文从搜索值的质量效果出发,针对公式(8)的和的值进行了设定,设定中3个函数中的值和值都取0.5. 三个函数的测试结果如表1-3所示,其中aver表示平均值,st 表示方差,min表示最小值,max表示最值,D维取值为3. 设定种群的规模为50,70和100.表1-3表明了本文随着种群数目的不同在收敛的精度和稳定性方面具有了一定的提高, 由于云计算中的资源数目是非常庞大的, 因此将种群数目模拟为相对较小的云计算的资源数目, 可以为云计算资源调度算法提供一定的参考.4.2本文算法在云计算中任务分配采用CloudSim[17]平台进行测试,硬件主要包括酷睿i3CPU和4GDDR3,Windows Xp,软件采用matlab2012进行模拟. 设定虚拟任务为100到300个, 虚拟节点为10个, 虚拟资源数目为1000, 设置迭代次数为500. 将本文的算法和文献[2],文献[3]的算法在云计算模型中进行对比. 如图1-5所示从图1-2中可以看出,本文算法对于资源的调度的优化效果要明显优于其他两种文献的算法. 从图3-5中任务数不同的时候的节点任务量的性能都非常稳定, 基本上节点都能获得资源85%以上. 主要是因为改进后的蝙蝠算法能够有效的提高云计算模型中的资源的效率,伴随着任务数量增多,节点任务量的获得资源的稳定性逐步加强, 对于实际的云计算环境的资源具有一定的参考价值.云计算中如何能够合理使用资源是一个非常重要的问题. 本文在蝙蝠算法中,引入遗传差分算法, 使得改进后的算法具有全局和局部的搜索能力得到改善和提高, 提高了蝙蝠算法能够快速的寻找到优良的食物源的效率. 仿真实验表明, 本文算法有效的解决了资源分配的问题, 提高了算法分配资源的效率.1 Foster I, Zhao Y, Raicu I, et al. Cloud computing and grid computing 360-degree compared. Proc. of the 2008 Grid Computing Environments Workshop. Washington, DC. IEEEComputer Society. 2008. 1–10.2 许波,赵超,祝衍军,等.云计算中虚拟机资源调度多目标优化.系统仿真学报,2014,26(3):592–595.3 贲飞,汪芸.云计算下基于容错QoS的虚拟机资源分配策略.微电子学与计算,2013,30(3):136–139.4 Abu-Rahmeh J, Talebbendiab A. A dynamic biased random sampling scheme for scalable and reliable grid networks. Jounal of Computer Science, 2008, 7(4): 1–10.5 Goldberg D. Genetic Algorithms in Search. Optimization and Machine Learning, Reading. Mass:Addision-Wesley, 1989.6 Kennedy J, Eberhart R. Particle swarm optimization. Proc. of IEEE International Conference on Neural Networks. 1995. 1942–19487 Dorigo M, Maniezzo V. Colorni A. The ant system: optimization by a colony of cooperating agents. IEEE Trans. on Systems, Man and Cybernetics-PartB, 1996, 26(1): 29–41.8 Bersini H,Varela F. The immune recruitment mechanism: A selective evolutionary stategy. Proc. of the 4th International Conference on Genetic Algorithms. 1991. 520–526.9 Teodorovic D. Bee colony optimization-a cooperative learning approach to complex transportation problems. Advanced or and AI Methods in Transportation. 10th EWGT Meeting Society Press. 1994, 11. 124–134.10 赵鹏军,等.求解复杂函数优化问题的混合蛙跳算法.计算机应用研究,2009,26(7):2435–2437.11 李建锋,彭舰.云计算环境下基于改进遗传算法的任务调度算法.计算机应用,2011,31(1):184–186.12 周莲英.遗传算法与蚁群算法相融合的云计算任务调度算法研究.苏州大学,2013.13 张宇楠,刘付永.一种改进的变步长自适应蝙蝠算法及其应用.广西民族大学学报(自然科学版),2013,19(2):51–54.14 刘长平,叶春明.具有混沌搜索的蝙蝠算法及性能仿真.系统仿真学报,2013,25(6):1183–1188.15 Yang XS. A new metaheuristicbat-inspored algorithm. In: Conzalez JR, et al. eds. Nature Inspired Cooperative Strategies forOoptimization(NISCO2010). Berlin. Springer. 2010, 284. 65–74.16 Karaboga D. An idea based on honey bee swarm for numerical optimization[Technical Report]. Erciyes University, Engineering Faculty, Computer Engineering Department, 2005. TR06.17 Calheiros R, Ranjan R, Rose Ca Fd, Buyya R. CloudSim: a nove framework for modelingand simulation of cloud computing infrastructures and services[Technical Report]. Grid Computing and Distributed Systems Laboratory, The University of Melbourne, Australia, March 13, 2009. GRIDS-TR-2009-1.。

改进型蝙蝠算法在作业车间调度问题中的应用

2017，53（8）1引言作业车间调度问题（Job Shop scheduling Problem ，JSP ）是一种典型的车间调度问题，已被证明存在NP 难特性，它属于一种非常困难的组合优化问题[1]。

因此，针对JSP 问题的算法研究也一直是学者们共同关注的课题。

目前JSP 问题的求解方法大致分为精确法和近似法。

精确法虽可保证获取全局最优解，但求解时间较长。

随着问题复杂度的增加，使其变得不可行，而近似法虽无法保证达到全局最优，但通常可在可行时间内得到问题解的近似值。

近似方法中智能优化算法占据着非常重要的地位，如模拟退火算法[2]、遗传算法[3]、人工免疫算法[4]、蚁群算法[5]、粒子群算法[6]、遗传规划[7]、布谷鸟算法[8]、文化基因算法[9]和差分进化算法[10]等。

通常智能优化算法具有很强的通用性，不需要问题的某些特殊信息，因此，随着计算机技术的迅速发展，它已成为各种车间调度问题有效解决方法和国际研究热点。

值得关注的是，蝙蝠算法是智能优化算法领域内一种新兴的、极具潜力的算法，为复杂问题的求解提供了一个新的且有效的途径。

蝙蝠算法（Bat Algorithm ，BA ）[11]是基于自然界中蝙蝠个体所具备的回声定位能力而提出的。

它具有模型简单、收敛速度快和并行处理等优点，因而得到了研究学者们的关注，并被应用于自然科学与工程科学的各个领域[12-14]。

然而，目前国内外利用蝙蝠算法求解车间改进型蝙蝠算法在作业车间调度问题中的应用张文鹏，王兴ZHANG Wenpeng,WANG Xing南阳师范学院软件学院，河南南阳473061School of Software,Nanyang Normal University,Nanyang,Henan 473061,ChinaZHANG Wenpeng,WANG Xing.Application of improved bat algorithm to puter Engineering and Appli-cations,2017,53（8）：137-140.Abstract ：For the Job Shop scheduling Problem （JSP ）with the objective of minimizing the makespan,an Improved Bat Algorithm （IBA ）is proposed in this paper.To overcome the drawback of the basic BA in solving this kind of discrete com-bination optimization problem,the encoding scheme is designed first to realize the continuous encoding of the discrete problem.A population initialization method is adopted based on the G&T algorithm and the random rule to improve the quality of the initial solutions.In addition,a variable neighborhood search strategy is introduced to avoid the premature convergence and enhance the performance of the proposed IBA.Finally,extensive simulations are conducted based on benchmark instances of the JSP.The results show that the IBA is feasible and effective.Key words ：job shop scheduling problem;makespan ；bat algorithm;G&T algorithm ；variable neighborhood search strategy 摘要：针对一类以最小化最大完工时间为目标的作业车间调度问题（Job Shop scheduling Problem ，JSP ），提出了一种改进型蝙蝠算法（Improved Bat Algorithm ，IBA ）。

基于DE蝙蝠算法的混合推荐模型设计

基于DE蝙蝠算法的混合推荐模型设计
何昌隆;文斌
【期刊名称】《计算机与数字工程》
【年(卷),期】2022(50)7
【摘要】针对单一推荐算法的精度不足以及数据稀疏问题,普通加权混合推荐模型权值难以收敛到全局最优的问题,提出了一种基于差分进化蝙蝠算法构建的多元加权混合推荐模型(DEBA-Hybrid Recommendation Model)。

该模型通过差分进化蝙蝠算法优秀的全局寻优能力来寻找到适当的权值,对多种主流的推荐算法进行加权融合,以生成最终的用户评分预测矩阵进行物品推荐。

使用RMSE和MAE指标在Movielens公开数据集上进行模型评估,结果表明该模型对比单一推荐算法和传统的加权混合推荐模型在推荐效果上有明显提升,具有实际意义。

【总页数】5页(P1439-1443)
【作者】何昌隆;文斌
【作者单位】成都信息工程大学通信工程学院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一个基于差分蝙蝠算法的推荐算法
2.基于混合DE-PSO算法的水库优化调度模型及其应用
3.基于DE算法改进的蝙蝠算法的研究及应用
4.基于混合推荐模型的校园二手商品推荐算法
5.基于模型特征匹配的BIM模型混合推荐算法
因版权原因，仅展示原文概要，查看原文内容请购买。

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。

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。

基于改进蝙蝠算法的带模糊需求的车辆路径问题

基于改进蝙蝠算法的带模糊需求的车辆路径问题朱颢【摘要】蝙蝠算法作为一种新的元启发式算法,尚未被应用到模糊车辆路径问题中;针对带模糊需求的车辆路径问题,以极小化总运输距离为目标,建立基于可信性理论的模糊规划模型,提出一种改进的蝙蝠算法;算法采用基于客户编号的编码方式,利用随机模拟算法计算额外行驶距离;在蝙蝠位置更新时,引入基于非线性调整的惯性权重和基于子路径的局部搜索;为提高全局搜索能力,避免算法早熟,对处于较差位置的蝙蝠进行交叉操作;最后,利用随机实验数据进行仿真,分析了决策者主观偏好值对目标值的影响,并与其它算法的寻优结果进行对比分析,结果表明,算法具有一定的可行性和有效性.%As a new meta-heuristic,bat algorithm has not yet been applied to solve fuzzy vehicle routing problem until now.In this paper,the vehicle routing problem with fuzzy demands is considered at first,in which the final objective is to minimize the total distance,and then a fuzzy programming model based on fuzzy credibility theory is presented,in order to solve this problem,an improved bat algorithm with the coding method of customer number is introduced.In this algorithm,a stochastic simulation is proposed to calculate the additional distance,moreover,a nonlinear adjustment strategy for the inertia weight and a local search strategy on sub-route are designed at the stage of location updating of each bat,on the other hand,to improve the global search ability of this algorithm and avoid premature convergence,crossover operation on the worst bats is applied.To illustrate the effectiveness and good performance of the proposed algorithm,an example is carried out by using the randomexperimental data,and the influence of the decision-maker's preference on the objective of this problem is discussed,moreover,the improved bat algorithm is compared with other algorithms.【期刊名称】《计算机测量与控制》【年(卷),期】2017(025)007【总页数】6页(P276-281)【关键词】蝙蝠算法;模糊需求;车辆路径问题【作者】朱颢【作者单位】湖州职业技术学院,浙江湖州313000【正文语种】中文【中图分类】TP302车辆路径问题(VRP问题)作为物流领域内的一类经典的组合优化问题，由Dantzig 和Ramser[1]于1959年首次提出,该问题描述为：若干车辆从车场出发，为一系列客户提供取货服务(送货服务类似)，取货完毕后返回车场，每个客户一次只能由一辆车提供取货服务，在取货过程中需要满足车辆装载能力约束、车辆行驶里程约束和客户时间窗口约束等条件，为此，为每辆车选择相应的客户，并安排访问的顺序，使得某些目标达到最优(如总路程最短、成本最低等)。

基于改进蝙蝠算法的工业控制系统入侵检测

基于改进蝙蝠算法的工业控制系统入侵检测李金乐;王华忠;陈冬青【摘要】针对蝙蝠算法(BA)易陷入局部极小的缺点,提出了两点改进:(1)在蝙蝠位置更新时考虑了当前局部最优解分布对算法的影响;(2)将差分进化算法(DE)中的变异操作迁移到蝙蝠算法中,采用随机性变异的方式增加了种群多样性,提升了算法局部搜索能力,并通过典型测试函数验证了本文算法的优越性.将该算法用于工业控制系统(ICS)入侵检测中支持向量机(SVM)分类器的参数优化,使用工控入侵检测标准数据集进行仿真研究.结果表明,与DE、粒子群算法(PSO)和遗传算法(GA)等优化算法相比,其优化的SVM入侵检测模型在检测率、漏报率和误报率等指标上都有显著提升.%Aiming at the local minima problem of the standard bat algorithm (BA),this paper makes two improvements.Firstly,the current local optimal solution distribution is considered during the updating of bats' positions.Secondly,the random variation operation in differential evolution (DE) algorithm is introduced into BA to increase the diversity of the population and enhance the local search ability of the BAalgorithm.Besides,the superiority of the proposed algorithm is illustrated by means of typical test functions.Moreover,the proposed algorithm is applied to the parameters optimization of support vector machine (SVM) classifier in industrial control system (ICS) intrusion detection model.The simulation results from the standard dataset for industrial system intrusion detection show that,compared with DE,particle swarm optimization (PSO) and genetic algorithm (GA),the optimized SVM intrusion detection modelvia the proposed algorithm can effectively improve the detection rate,false negative rate,and false alarm rate.【期刊名称】《华东理工大学学报（自然科学版）》【年(卷),期】2017(043)005【总页数】7页(P662-668)【关键词】改进蝙蝠算法;最优解分布;差分进化算法;支持向量机;工业控制系统;入侵检测【作者】李金乐;王华忠;陈冬青【作者单位】华东理工大学化工过程先进控制和优化技术教育部重点实验室,上海200237;华东理工大学化工过程先进控制和优化技术教育部重点实验室,上海200237;中国信息安全测评中心,北京100085【正文语种】中文【中图分类】TP309“震网”病毒[1]敲响了工业控制系统(Industry Control System,ICS)信息安全的警钟。

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。