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.     

改进生物地理学算法求解柔性作业调度问题

针对柔性作业车间调度问题的特点,提出了一种基于改进生物地理学优化算法的求解方案。该方案采用基于工序和基于机器相结合的编码机制,在初始种群中引入启发式算法生成的优良个体,并在标准生物地理学算法基础上对迁移和变异操作进行了改进,采用符合该调度问题的迁移率模型和自适应变异机制,克服了传统算法易于早熟或收敛慢的缺点。通过仿真验证了该算法的可行性和有效性。     

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。     

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。     

基于精英策略和ABBO算法的输电线路故障诊断模型

针对输电线路故障分类问题，提出了一种基于精英策略的生物地理学与算术优化混合算法（ABBO）的输电线路故障诊断模型。首先，为了避免BBO算法的早熟收敛，提出将算术优化算法（AOA）的乘除加减算子代替生物地理学优化算法（BBO）的变异算子以优化特征属性权重；其次，提出将低于精度阈值的非精英个体进行二次变异的精英策略，以保留优质个体的方式提高算法精度；最后，提出一种基于重力的固定半径的近邻检索方式以改善案例推理中存在的不平衡问题。实验证明，与传统的基于BBO、AOA算法的故障诊断模型相比，该模型能够更加准确的识别故障类型。     

基于改进BBO算法的分数阶PID控制器设计

针对分数阶PID(Fractional-Order Proportional-Integral-Derivative,FOPID)控制器参数整定,提出了一种改进生物地理学优化(Biogeography-Based Optimization,BBO)算法。该算法改进点主要包括:迁移操作中保留精英个体;变异操作中引入差分进化(Dtferential Evolution,ED)算法的变异策略;消除重复样本。仿真结果表明:在分数阶PID控制器参数整定中,与原始的BBO算法、遗传算法(Genetic Algorithm,GA)和粒子群算法(Particle Swarm Optimization,PSO)比较,提出的改进BBO算法具有超调量小、误差小,收敛更快的特点。     

一种改进的生物地理学优化算法

生物地理学优化算法（BBO）作为一种新型的智能算法,在其提出不到十年的时间内受到学界的广泛关注和研究,并显示出了广阔的应用前景。为了提高算法的优化性能,对BBO算法提出一种改进,该算法在将差分优化算法（DE）中的局部搜索策略同BBO算法中的迁移策略相结合的基础上,针对迁移算子和变异算子分别进行改进,提出了二重迁移算子和二重变异算子,使得栖息地个体在进化过程中得到更高的进化概率,从而使得算法的寻优能力得到进一步提升。通过6个高维函数的测试,结果表明该算法在优化高维优化问题时,较其他几种生物地理学优化算法具有更好的收敛性和稳定性。     

软件开发项目中任务调度的混沌遗传算法

考虑了软件开发任务的可拆分特性，针对其调度问题提出了最小化项目总周期的优化模型，并提出了一种混沌遗传算法用于求解该模型,该算法的变异算子采用一维Logistic映射作为混沌变异模型，利用混沌系统的漂移特性改善种群的多样性,给出了算法基于任务优先级的编码方案、任务单元解码规则以及遗传算子的设计方法．通过仿真实例验证了模型和算法的有效性．     

改进的多种群算法优化隐马尔可夫模型预测篦压趋势

以篦冷机关键参数篦下压力为研究对象,提出一种篦压变化趋势预测模型.利用主成分分析对数据降维,以主元序列作为观测序列,构建改进的多种群算法优化隐马尔可夫模型参数.种群内利用轮盘赌算子选择个体,设计双区与均匀行交叉结合的自适应交叉算子避免局部收敛,进行动态变异率的多项式变异操作提高收敛速度,种群间提出混合师生交流机制的自适应移民算子保证多种群协同进化.仿真表明本文算法可收敛到全局最优,能提高收敛精度和速度,利用该算法建立的模型跟踪性能好,预测精度高,能满足对篦压趋势预测的要求.     

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.     

混合迁移的高效BBO算法及其在图像分割中的应用

针对高维多阈值分割由于维数增加带来的优化难度加大的问题以及标准生物地理学优化(biogeography-based optimization,BBO)算法效率不高的问题,提出了一种用于高维OTSU多阈值分割的高效生物地理学优化(efficient BBO,EBBO)算法。首先构建新型随机扰动变异算子,然后将此变异算子融合到启发式迁移算子中形成一种高性能的混合迁移算子,去掉了计算变异概率和设置变异参数等环节,以便提高算法的效率;其次将基于迁出率的赌轮选择方式改成无需迁出率的榜样学习选择方案,并将迁入率的多次计算变成一次计算,进一步提高算法的效率;然后将BBO算法中的精英保留方案换成贪婪选择方法,以加快算法的收敛速度;最后将这种EBBO算法应用到高维OTSU多阈值分割中。实验结果表明,与当前的EBO算法、BDE算法、MKTO算法以及BBO算法相比,EBBO算法在高维多阈值分割中不仅有更好的优化性能和更快的运行速度,而且减少了参数设置。     

基于多维度变异学习与收散归优的鲸鱼优化算法

针对鲸鱼优化算法(WOA)在解决高维、多峰、最优值非原点等问题时存在的收敛精度低、易被局部最优捕获等缺陷，提出了一种基于多维度变异学习与收散归优的鲸鱼优化算法(MLDOWOA)。首先，引入自适应权值以及优势个体干扰动态调整个体螺旋包围的方向，提高了算法的全局搜索能力和收敛精度；然后提出多维度变异学习机制对种群变异方向进行自适应规划，进一步扩大了算法的搜索范围；最后引入收散归优机制协调了搜索步长，帮助种群突破了中后期搜索停滞的局限。通过8个高维基准函数和4个固定维基准函数对MLDOWOA算法进行测试，结果表明同基本算法WOA、SSA以及改进的ACWOA、AWOA、MSIWOA、ADWOA相比，该算法在收敛精度和应对高维函数的能力上具有显著的优越性。将该算法应用于FOPID控制器的参数整定，并将实验结果同近年来该工程问题的研究成果进行对比分析，证明了该算法在FOPID参数整定问题中具有卓越的性能。     

基于混沌机制与Levy变异烟花算法的服务组合优化

为了在大规模Web服务环境中筛选出满足用户复杂应用需求且综合性能高的服务组合,提出一种混合混沌机制与Levy变异的改进烟花算法。首先利用混沌理论产生初始烟花群体,避免种群个体分散不均,造成重复多次局部寻优现象;然后在搜索过程中引入Levy变异算子,提高算法的全局搜索能力,有效避免早熟收敛;最后采用精英选择策略筛选下一代烟花种群,降低了算法的时间开销。通过大量实验结果说明了该算法的寻优性能和稳定性。     

混沌双算子亨利溶解度算法的瓦斯涌出量预测模型

为了提高煤矿井下瓦斯涌出量预测的精度和效率，提出了混沌双算子亨利溶解度算法优化最小二乘支持向量机的瓦斯涌出量预测模型。针对传统亨利溶解度算法的特性和不足，将Tent混沌映射引入算法的种群初始化过程，提升初始种群的质量和多样性，实现对更多优质区域的搜索以提升算法的收敛性能；在寻优迭代过程中，根据概率转换参数自适应的选择亨利溶解度算子或哈里斯鹰算子，动态协调算法的全局遍历搜索和局部开发。对10个基准函数进行寻优测试，结果表明改进算法具有更好的寻优精度、收敛性能和稳定性。利用核主成分分析对瓦斯涌出量进行特征提取，结合改进后的亨利溶解度算法优化最小二乘支持向量机的关键参数，建立煤岩瓦斯涌出量预测模型，并利用矿井工作面实际监测数据进行仿真实验。该模型的三种误差评价指标量分别为0.1564、0.1332和1.5656%，运行时间仅为0.0249s，预测效果优于其他对比模型。实验结果表明，提出的煤岩瓦斯涌出量预测模型具有良好的泛化能力和预测精度。     

混沌蜜蜂双种群进化遗传算法

利用混沌运动的遍历性、随机性和规律性等特点,提出混沌蜜蜂双种群进化遗传算法。该算法在基于蜜蜂双种群进化遗传算法的基础上,利用混沌优化进行改善初始种群质量和利用混沌退化变异算子代替常规算法中的变异算子,避免搜索过程陷入局部极值。实验结果表明,该算法计算速度快、收敛性好,提高了常规遗传算法的收敛速度和优化效果。     

基于改进的多目标进化算法的飞行控制系统优化*

针对在传统飞行控制系统控制器参数整定问题中单目标优化不能同时满足多个控制指标要求的缺点,提出了一种基于改进的NSGAII算法的多目标进化算法。在改进的NSGAII算法中,提出了改进的精英保留策略增强了算法收敛性;同时,使用改进的自适应模拟二进制（ASBX）算子提高了算法效率,提出使用改进的基于混沌序列的变异算子避免算法陷入局部最优解,以提高算法搜索精度。将改进的算法应用到飞机飞行控制系统设计中,仿真结果表明,该进化算法能够快速有效地进行飞行控制系统参数整定。     

自适应约束优化混合粒子群算法

提出一种混合粒子群优化算法用于求解约束优化问题。新算法的主要特点是：在搜索机制方面,利用混沌初始化种群以提高初始群体的质量。为了扩大粒子的搜索范围,引入柯西变异算子。利用单形交叉算子对种群进行局部搜索。在约束处理技术方面,根据当前种群中可行解比例自适应地选择不同的个体比较准则。数值实验结果表明了该算法的有效性。     

一种基于混沌变异的双群进化规划算法

易早熟收敛是传统进化规划算法的致命缺点。该文在分析了导致进化规划算法早熟原因的基础上,提出了一种基于混沌变异的多群进化规划算法。在该算法中,进化在两个并行的子群间同时进行,一个种群使用混沌变异算子对解空间进行充分的探索,另一个种群使用指数衰减的高斯变异算子对局部进行详尽搜索,种群问的信息交换通过种群的个体交流实现。对典型算例的数值仿真表明,该算法能够改善传统的进化规划算法易早熟收敛的弱点,同时具有良好的快速收敛性和参数鲁棒性。     

基于双种群混沌鲸鱼算法的自抗扰控制器参数整定

非线性自抗扰控制器具有多个耦合参数且依靠传统的经验整定法难以整定,以至于对控制器的精度和抗扰动能力造成一定影响。针对此问题,提出一种双种群混沌鲸鱼算法对控制器参数进行在线整定。针对传统鲸鱼算法易陷入局部最优以及在迭代后期出现寻优缓慢的现象,提出一种混沌策略和双种群协同机制对算法进行改进。以机械臂作为被控对象进行仿真验证,结果表明优化后的自抗扰控制器具有更好的控制精度和良好的抗扰动能力。改进后的鲸鱼优化算法可以用于非线性自抗扰控制器参数整定。     

保护区种群迁移动力学优化算法

为了求解一些复杂优化问题的全局最优解,基于保护区种群迁移动力学模型,提出了一种新的群智能优化算法,简称PZPMDO算法。在该算法中,假设有很多生物种群生活在某生态系统中,该生态系统被分成两个区域,即非保护区和保护区,对生活在保护区内的生物种群实施各种保护。在非保护区与保护区之间存在种群迁移通道,若某区域内的某生物种群的密度过高,该生物种群就会自发地迁移到低密度区域,从而导致低密度区域内的生物种群受到迁移过来的生物种群的影响;若某生物种群的占比越大,该生物种群的影响也就越大;若某生物种群越强壮,该生物种群就越会将其优势传播给其他生物种群。不同区域内的各生物种群因生存竞争而相互影响,这种影响会体现在种群部分特征间的相互作用上,且该影响是随时间变化的。文中采用ZGI指数描述一个生物种群的强弱程度,利用保护区种群迁移动力学模型、种群迁移和相互影响关系构造算子。PZPMDO算法拥有8个算子,且演化时每次仅处理总变量数的1/1000~1/100,具有搜索速度快和全局收敛性的特点,适用于求解维数较高的全局优化问题。