29、人工蜂群算法在大肠杆菌培养模型参数识别中的应用与分析

人工蜂群算法在大肠杆菌培养模型参数识别中的应用与分析

1. 元启发式算法精度对比

在众多元启发式算法中，ABC1和ABC8算法在求解精度上表现出色。从相关对比中可知，其他被考虑的元启发式算法都无法获得比ABC1或ABC8算法更高精度的解。具体各算法之间的表现如下：
- FA与其他算法对比 ：FA算法在解决问题上优于GA、SS和ACO算法。虽然FA算法的最佳结果比ABC8算法差，但FA的平均结果优于ABC8算法。
- GA与CS对比 ：GA和CS的最佳结果几乎相同，不过从平均结果来看，GA算法的性能稍好。
- ACO和CS与ABC部分算法对比 ：由于ACO和CS算法使用的种群规模较小，将它们的结果与ABC3、ABC4和ABC7算法的结果进行比较更为合理。例如，CS的最佳结果J = 4.4440，可分别与ABC3（J = 4.3758）、ABC4（J = 4.3785）和ABC7（J = 4.3268）的结果对比。即便如此，ABC算法仍能找到质量更高的解。而且，在所有考虑的算法中，没有一个能找到比表现最差的ABC算法（ABC4）更好的解。与ABC4算法相比，FA获得了相同的最差J值（J = 4.63），但平均J值更优。

2. ABC算法研究概述

ABC算法基于蜜蜂的觅食行为，被设计用于大肠杆菌培养模型的参数识别。使用非线性常微分方程组对细菌生长和底物利用进行建模，并利用大肠杆菌MC4110补料分批培养过程的真实实验数据集进行模型参数识别。

3. ABC算法性能研究

由于算法参数设置可能对计算结果