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.     

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.     

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。     

基于微分进化的混合生物地理学约束优化算法

针对生物地理学优化算法（biogeography based optimization ,BBO）容易陷入局部最优解的缺点,提出一种基于微分进化（differential evolution ,DE）改进BBO算法的混合生物地理学（BBO‐DE）优化算法。通过有机结合BBO算法的利用能力和DE算法的搜索能力,实现利用能力与搜索能力的平衡;引入基于可行性的约束处理机制,解决传统BBO算法无法求解约束优化的问题。通过选定的8个标准测试函数对改进算法进行仿真测试,测试结果验证了改进算法的可行性和有效性,与基本BBO和DE算法相比,其在最终解的质量和收敛速度上具有明显优势。     

基于混合生物地理学算法的非线性系统辨识

针对非线性系统辨识问题,由于传统辨识方法存在精度低收敛慢等缺点,提出了一种采用混合生物地理学算法的非线性系统辨识方法.混合算法是在对生物地理学算法进行改进的基础上与差分进化算法相结合,通过适当地融合具有不同搜索能力的优化算法,使得混合算法的开采能力和探索能力得到更好的增强和平衡.通过对Wiener模型进行参数辨识,并与生物地理学算法和差分进化算法进行比较,仿真结果表明,利用混合生物地理学算法能够提高辨识精度并获得良好的辨识效果,验证了混合算法的有效性和可行性.     

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.     

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.     

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。     

基于中值迁移和柯西变异的生物地理学算法

针对生物地理学优化算法(biogeography-based optimization,BBO)收敛速度慢和容易陷入局部最优解的问题,提出一种基于中值迁移和柯西变异的生物地理学优化算法(MCBBO).在MCBBO中,设计了基于中值定理的迁移算子,以扩大栖息地的分布范围,实现更精确的迁移;同时,采用柯西变异增加算法摆脱局部极值的能力.基于标准测试函数仿真实验表明,MCBBO算法优化得到的解更接近理论最优解,算法收敛速度更快,表明了MCBBO算法的有效性.     

生物地理学优化算法理论及其应用研究综述

生物地理学优化算法（Biogeography-Based Optimization,BBO）是Simon提出的一种基于生物地理学理论的新型智能优化算法,具有良好的收敛性和稳定性。从BBO算法提出的背景出发,介绍了算法的基本理论、算法特点以及算法流程。总结了BBO算法的研究进展,包括BBO算法的理论分析、算法的改进、算法与其他优化算法的混合算法以及BBO算法在函数优化、电力系统、图像处理、机器人路径规划以及调度优化等领域的典型应用。对BBO算法有待解决的问题和未来研究方向进行了总结。     

生物地理信息优化算法中迁移算子的改进

原生物地理信息优化算法主要通过迁移算子与变异算子实现群体的进化, 常被应用于求解单目标优化问题。 如果将原有的进化算子直接用于求解连续多目标优化问题,会严重影响群体的多样性。文中将原迁移算子进行改进, 引入扰动因子, 增强群体的多样性。并以此为基础,提出基于生物地理信息的多目标进化算法(BBMOEA)。 通过与原有迁移算子下的算法比较及各类型测试函数的实验, 结果验证改进迁移算子对于求解多目标优化问题是有效可行的。同时将BBMOEA与经典算法SPEA2和NSGA-Ⅱ进行比较, 结果表明BBMOEA所得Pareto解集在收敛的同时,具有较均匀的分布性。     

基于混合优化策略的拜耳法物料平衡计算

首先分析了氧化铝生产工艺中物料平衡计算的特点．介绍了拜耳法生产工艺流程，并给出了拜耳法物料平衡计算的数学模型。接着针对传统的优化算法存在易陷入局部最优导致的收敛速度慢，精度低等问题，提出以模拟退火一单纯形法作为混合优化策略用于拜耳法物料平衡计算。最终的计算结果表明，混合优化策略有效地避免了原有两种算法的缺陷，具有较强的全局搜索能力和较高的收敛精度，其性能远远优于单一优化方法，是进行拜耳法物料平衡计算的有效方法。     

基于混合优化策略的拜耳法物料平衡计算

首先分析了氧化铝生产工艺中物料平衡计算的特点,介绍了拜耳法生产工艺流程,并给出了拜耳法物料平衡计算的数学模型,接着针对传统的优化算法存在易陷入局部最优导致的收敛速度慢,精度低等问题,提出以模拟退火—单纯形法作为混合优化策略用于拜耳法物料平衡计算。最终的计算结果表明,混合优化策略有效地避免了原有两种算法的缺陷,具有较强的全局搜索能力和较高的收敛精度,其性能远远优于单一优化方法,是进行拜耳法物料平衡计算的有效方法。     

一种改进的基于迁移计划图的移动Agent迁移策略*

在分析了现有迁移策略的基础上,提出一种改进的基于迁移计划图的结构化迁移策略。该迁移策略能根据当前网络的软硬件环境及其他负载信息,在满足预算约束条件下考虑服务质量和服务价格等因素,动态地为移动Agent规划出一条最佳迁移路径;该策略还能避免网络断连、主机故障及服务失效引起的迁移失败。     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

基于混沌搜索解决早熟收敛的混合粒子群算法

针对标准粒子群优化算法(PSO)在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了新的混合粒子群算法——基于混沌优化搜索解决早熟收敛的粒子群算法。采用了基于群体适应值方差的早熟判断机制,同时提出了一种缩小混沌搜索的变量空间范围的新方法,提高了搜索效率。基于典型高维复杂函数的数值实验表明,混合粒子群算法效率高、优化性能好、对初值具有很强的鲁棒性。尤其是,混合粒子群算法具有很强的避免局部极小能力,其性能远远优于单一优化方法。     

一种基于混合策略的Web绘图方法

对现有的Web绘图技术进行归纳和分析。根据混合策略的原理．设计一种基于字符串编码的Web绘图方法,并应用于一个客流分析系统的客户端交互绘图和矢量数据采集。应用结果表明,该方法在应用的适用性、交互性和性能方面具有较好的效果。     

一种基于混合策略的Web绘图方法

对现有的Web绘图技术进行归纳和分析。根据混合策略的原理,设计一种基于字符串编码的Web绘图方法,并应用于一个客流分析系统的客户端交互绘图和矢量数据采集。应用结果表明,该方法在应用的适用性、交互性和性能方面具有较好的效果。