基于高斯变异的生物地理学优化模型

生物地理学优化是一种新型群体智能算法,具有较好的应用前景.针对算法中两大基本算子之一的变异算子进行研究,为了进一步提高优化模型的精度,给出关于高斯变异的生物地理学优化模型.同时介绍了算法的基本原理,重点分析了算法中的变异策略,采用多个测试函数进行仿真.仿真结果表明,在相同的迁移模型下,不同的变异策略对算法优化性能有较大影响,高斯变异策略的优化性能优于随机变异策略.实验还表明栖息地数量对于算法的优化能力也有较大的影响.     

生物地理学优化算法综述

生物地理学(Biogeography)是一门研究自然界种群迁移机制的科学,Dan Simon用生物地理学的方法和机制来解决工程优化问题,提出了生物地理学优化算法(BBO,Biogeography-Based Optimization).生物地理学优化算法以其独特的搜索机制和较好的性能在智能优化算法领域得到了广泛的关注.对生物地理学优化算法的设计原理、迁徙模型、算法流程及相应迁移和突变操作进行了综述.通过BBO算法在14个基准函数下与传统算法,如遗传算法、蚁群算法和粒子群等优化算法的性能比较,表明生物地理学优化算法是有效的.论述了算法与传统优化算法之间的差异以及BBO算法有待解决的问题.     

生物地理学优化算法研究

对生物地理学优化算法(biogeography-based optimization,BBO)的研究现状进行了总结,并介绍了一些最新的研究进展。从BBO算法提出的背景出发,讨论了算法的主要思想、算法原理以及算法步骤。论述了该算法的研究进展,包括BBO算法的改进、算法的收敛性分析、BBO算法与其他算法的融合以及BBO算法在优化领域的典型应用,对BBO算法有待研究的问题做了总结。     

学习邻域参数的粒子群算法

针对粒子群算法的参数自适应的问题,提出了学习邻域参数的粒子群算法(Particle swarm optimization with learning neighborhood parameter learning,LNPPSO).为了使参数适应环境,将种群的中个体赋予不同的参数,根据邻域粒子的适应度变化和参数信息来更新...     

基于混合凸迁移和趋优柯西变异的对偶生物地理学优化算法

通过分析生物地理学优化算法(BBO)性能的不足,提出了一种基于混合凸迁移和趋优柯西变异的对偶生物地理学优化算法(DuBBO).在迁移算子中,采用动态的混合凸迁移算子,使算法能够快速地向最优解方向收敛;在变异机制中,采用趋优变异策略,并加入了柯西分布随机数帮助算法跳出局部最优解;最后将对偶学习策略集成到算法中,加快了算法收敛速度并提升了搜索能力.在23个benchmark函数上的实验结果证明了提出的三种改进策略的有效性和必要性.最后将DuBBO与BBO以及另外六种优秀的改进算法进行对比.实验结果表明,DuBBO在整体性能上最好、收敛速度更快、收敛精度更高.     

基于动态迁移的ε约束生物地理学优化算法

提出基于动态迁移的ε约束生物地理学优化算法(εBBO-dm).首先,利用ε约束方法来处理约束条件,并根据群体约束违反度的优劣程度对水平参数ε进行自适应调整,充分利用较优不可行个体的有效信息,有效提高对可行域的搜索效率.其次,采用新的ε约束排序机制确定迁入率和迁出率,较好地平衡可行个体与不可行个体之间的关系.再次,为了增强迁移机制的搜索能力,提出新的动态迁移策略.最后,采用分段logistic混沌映射改进物种变异机制,提高了算法的收敛精度.通过对13个标准测试函数的仿真实验表明,εBBO-dm较其他算法在收敛精度和收敛速度上具有明显优势,尤其适合于复杂单目标约束优化问题的求解.     

基于混合生物地理学优化的聚类算法

聚类分析是数据挖掘的重要任务之一,而具有易早熟与收敛速度慢等缺陷的传统生物地理优化算法(Biogeography-Based Optimization, BBO)很难满足具有NP(Non-deterministic Polynomial)性质的复杂聚类问题需求,于是提出了一种基于混合生物地理学优化的聚类算法(Mixed Biogeography-Based Optimization, MBBO),该算法构造了一个基于梯度下降局部最优贪心搜索的新迁移算子,以聚类目标函数值作为个体适应度进行数据集内隐簇结构寻优。通过在4个标准数据集(Iris、Wine、Glass与Diabetes)的实验,结果表明MBBO算法相对于传统的优化算法具有更好的优化能力和收敛度,能发现更高质量的簇结构模式。     

基于人工萤火虫局部决策域的改进生物地理学优化算法

针对生物地理学优化（BBO）算法搜索能力不足的缺点,提出基于萤火虫算法局部决策域策略的改进迁移操作来提算法的全局寻优能力。改进的迁移操作能够在考虑不同栖息地各自的迁入率与迁出率的基础上,进一步利用栖息地之间的相互影响关系。将改进算法应用于12个典型的函数优化问题来测试改进生物地理学优化算法的性能,验证了改进算法的有效性。与BBO、改进BBO（IBBO）、基于差分进化的BBO（DE/BBO）算法的实验结果表明,改进算法提高了算法的全局搜索能力、收敛速度和解的精度。     

基于混合迁移策略的生物地理学优化算法

为提高生物地理学优化算法(BBO)的性能,提出一种基于混合迁移策略的生物地理学优化算法(HMBBO)。该算法通过动态选取待迁出种群个体,平衡对解集搜索过程中的选择压力。采用混合迁移策略改进迁移机制,增强算法对解的搜索能力,避免引起过早收敛。并加入分段Logistic混沌机制对个体进行变异,提高算法的收敛精度。基于标准测试函数的仿真实验表明,HMBBO算法可有效避免早熟收敛,在收敛速度和收敛精度上较标准BBO算法有较大提高。     

生物地理学优化算法中迁移算子的比较

生物地理学优化算法(Biogeography-Based Optimization,BBO)是一种模仿物种迁移规律的智能优化算法,其中迁移算子是影响优化效果的关键环节.基于迁移地的选择模式(以迁出率高的栖息地为主导或者以迁入率高的栖息地为主导)和迁移量的规模(单变量和部分变量),提出了BBO算法中可能存在的四种迁移方式.通过对13个经典实例的实验仿真,比较4种迁移算子的优化结果,阐明了产生差异的原因.实验结果表明,迁入主导的部分迁移式算子优化效果最好.     

基于混合二次对立学习的生物地理优化算法

针对生物地理优化(BBO)算法探索能力不强、收敛速度慢的缺点,提出一种基于混合二次对立学习的生物地理优化算法--HQBBO。首先,定义一种启发式的混合二次对立点,并从理论上证明其搜索效率优势;然后,提出混合二次对立学习算子,增强算法的全局探索能力,提高收敛速度;此外,还采用搜索域动态缩放策略和精英保留策略进一步提高寻优效率。对8个基准测试函数的仿真实验结果表明,所提算法在寻优精度和收敛速度上优于基本BBO算法和对立BBO算法(OBBO),表明其采用的混合二次对立学习算法对于其高收敛速度和全局探索能力是非常有效的。     

改进迁移算子的BBO算法及其在PID参数中的优化

针对生物地理学优化（BBO）算法寻优过程中易陷入搜索动力不足、收敛精度不高等问题,提出一种基于改进迁移算子的生物地理学优化算法（IMO-BBO）。在BBO算法基础上,结合“优胜劣汰”的进化思想,将迁移距离作为影响因素对迁移算子进行改进,并用差分策略将不适宜迁移的个体进行替换,以增加算法的局部探索能力。同时为丰富物种的多样性,引入多种群概念。利用IMO-BBO算法分别对13个基准测试函数进行测试,与基于协方差迁移算子和混合差分策略的BBO （CMM-DE/BBO）算法和BBO算法相比,改进算法提高了对全局最优解的搜索能力,在收敛速度和精确度上也都有显著提高;将IMO-BBO算法应用到PID参数整定中,仿真结果表明,所提算法优化后的控制器具有更快的响应速度和更稳定的精度。     

Handling multiple objectives with biogeography-based optimization

Biogeography-based optimization (BBO) is a new evolutionary optimization method inspired by biogeography. In this paper, BBO is extended to a multi-objective optimization, and a biogeography-based multi-objective optimization (BBMO) is introduced, which uses the cluster attribute of islands to naturally decompose the problem. The proposed algorithm makes use of nondominated sorting approach to improve the convergence ability effciently. It also combines the crowding distance to guarantee the diversity of Pareto optimal solutions. We compare the BBMO with two representative state-of-the-art evolutionary multi-objective optimization methods, non-dominated sorting genetic algorithm-II (NSGA-II) and archive-based micro genetic algorithm (AMGA) in terms of three metrics. Simulation results indicate that in most cases, the proposed BBMO is able to find much better spread of solutions and converge faster to true Pareto optimal fronts than NSGA-II and AMGA do.     

生物地理学算法求解柔性车间作业调度问题

针对加工设备和操作工人双资源约束的柔性作业车间调度问题,建立以生产时间和生产成本为目标函数的柔性作业车间调度模型,提出基于模糊Pareto支配的生物地理学算法,采用模糊Pareto支配的方法计算解之间的支配关系并对Pareto解集排序,进行全局最优值的更新,并采用余弦迁移模型来改善生物地理学算法的收敛速度。将该方法应用于某模具车间的柔性作业车间调度中,仿真结果验证了该方法的可行性和有效性。     

带自适应变异的量子粒子群优化算法

提出了一种带有自适应变异的量子粒子群优化（AMQPSO）算法,利用粒子群的适应度方差和空间位置聚集度来发现粒子群陷入局部寻优时,对当前每个粒子经历过的最好位置进行自适应变异以实现全局寻优。通过对典型函数的测试以及与量子粒子群优化（QPSO）算法和自适应粒子群优化（AMPSO）算法的比较,说明AMQPSO算法增强了全局搜索的性能,优于其他算法。     

结合文化算法的多种群协同变异PSO算法

粒子群算法是一种新的基于群体智能的启发式全局优化算法,其概念简单,易于实现,而且具有良好的优化性能,目前已在许多领域得到应用。但在求解高维多峰函数寻优问题时,算法易陷入局部最优。结合文化算法和高斯变异的思想,提出一种基于文化算法和高斯变异的多群协同粒子群算法。该算法可以摆脱局部最优解对微粒的吸引,基于典型高维复杂函数的仿真结果表明,与多种群粒子群优化算法相比,该混合算法具有更好的优化性能。     

双策略学习和自适应混沌变异的郊狼优化算法

针对郊狼优化算法（coyote optimization algorithm,COA）存在收敛速度慢、求解精度低、易陷入局部最优的不足,提出一种基于双策略学习机制和自适应混沌变异策略的改进郊狼算法（coyote optimization algorithm based on dual strategy learning and adaptive chaotic mutation,DCSCOA）。首先,引入振荡递减因子,以产生具有多样性的个体来增强全局搜索能力;其次,利用双策略学习机制,适度地增强组群头狼的影响,以平衡算法的局部挖掘能力和全局搜索能力,同时提高算法的求解精度和收敛速度;最后,使用自适应混沌变异机制,在算法停滞时产生新个体,以使算法跳出局部最优。通过对20个基本测试函数和11个CEC2017测试函数进行仿真实验,结果验证了改进算法具有更高的求解精度、更快的收敛速度和更强的稳定性。     

动态邻居维度学习的多目标粒子群算法

针对多目标粒子群算法多样性较差,种群选择压力随着变量维度增加的问题,提出了基于动态邻居维度学习的多目标粒子群算法（DNDL-MOPSO）。该算法首先构建最优维度个体,然后在“个体认知”和“社会认知”的基础上,对粒子速度更新公式进行改进,采用每一维上学习对象不固定的交流方式,最后利用随机向导学习策略,增加种群多样性。实验结果表明该方法能够提高算法的全局收敛性,增加种群的多样性,缓解选择压力,有效解决多峰多目标优化问题。     

双重反馈机制的蚁狮算法

针对基本蚁狮算法存在的收敛精度低、易陷入局部最优解的缺陷,将蚁狮能力和种群改善率的特征作为双重反馈信息引入ALO算法,提出双重反馈机制的蚁狮算法DFALO。DFALO算法运用动态自适应反馈调整策略以动态调整陷阱大小而提高收敛精度;利用时空混沌探索策略提高了全局搜索能力,避免算法陷入局部最优;采用多样性反馈高斯变异策略增强种群的多样性而避免算法出现早熟。八个标准测试函数仿真测试表明,DFALO在平衡全局搜索和局部开发能力上有显著提高,收敛速度快、全局搜索能力强、求解精度高。