摘要：针对细菌群体趋药性算法(BCC)求解效率较低的问题,提出一种改进的BCC算法。利用均匀设计方法生成初始菌群,使初始菌群在解空间中足够均匀,以充分利用解空间的信息。在细菌间的协作模式框架下,对单点细菌向群体中心点移动方式进行改进,即单个细菌向其群体间最优点的邻域内移动时,为找到潜在位置中的较好解,对潜在位置之间的距离进行等分,以这些等分点中的最优点作为该细菌下一步将要移动到的位置。通过函数优化进行仿真实验,表明改进后的算法在进化代数和寻优成功率上都有较大的提高,具有较高的运行性能。

摘要：细菌趋药性算法是一种新的仿生进化算法,针对细菌趋药性算法,介绍了其基本原理,讨论了一种改进的算法——细菌群体趋药性(BCC)算法。将细菌群体趋药性优化方法应用在k-means聚类分析中,以类内离散度和为目标函数,建立了BCC优化的k-means算法模型,利用BCC算法的全局搜索能力,很大程度上避免了k-means算法易陷入局部极小的缺陷,同时也降低了算法对初始值的敏感度。并给出了一些实验,结果令人满意。

摘要：为使细菌群体趋药性(BCC)算法中细菌群体初始种群在解空间足够均匀,文章提出改进的BCC算法,利用均匀设计方法优选出合适的初始种群,以充分利用解空间的信息;将改进的算法,应用于函数优化上,结果表明改进后的算法在函数进化代数和寻优成功率上都有较大的提高,说明改进的方式能提高BCC算法整体运行性能。