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。     

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。     

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。     

基于混沌BBO算法的非线性模型参数整定

为提升原始生物地理学优化算法(BBO)性能，提出基于动态迁移机制和混合变异算子的混沌生物地理学算法。采用Tent映射生成混沌初始化种群，提升种群遍历性；将反向学习机制和差分算子集成到原始迁移算子中，提升算法收敛速度；采用混合变异算子增强算法跳出局部最优解能力。将该算法应用于非线性Richards模型参数整定，预测谷氨酸菌体生长浓度。实验结果表明，该算法的预测结果比同类文献更优，较对比算法更适用于Richards模型参数整定。     

基于差分进化生物地理学优化的多层感知器训练方法

针对生物地理学优化训练多层感知器存在的早熟收敛以及初始化灵敏等问题,提出一种基于差分进化生物地理学优化的多层感知器训练方法。将生物地理学优化（Biogeography-based Optimization,BBO）与差分进化(Differential Evolution,DE)算法相结合,形成改进的混合DE_BBO算法;采用改进的DE_BBO来训练多层感知器（Multi-Layer Perceptron,MLP）,并应用于虹膜、乳腺癌、输血、钞票验证等4类数据分类。与BBO、PSO、GA、ACO、ES、PBIL等6种主流启发式算法的实验结果进行比较表明,DE_BBO_MLP算法在分类精度和收敛速度等方面优于已有方法。     

基于迁出地动态选择与自适应迁入策略的BBO算法

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(Biogeography-Based Optimization,BBO)。该算法因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。为了进一步提高生物地理学优化算法的全局和局部收索能力,提出了一种基于动态选择迁出地与混合自适应迁入的优化策略,对生物地理学优化算法进行改进,形成一种新的改进型BBO算法。该算法根据进化阶段动态选择待迁出地,并综合当前迁出地和随机迁出地优化迁入策略;同时,设计与适应度相关的变异机制,以增加算法的全局搜索能力。仿真实验结果表明,该算法在全局搜索、收敛速度和收敛精度上均优于对比算法。     

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.     

Enhancing the performance of biogeography-based optimization using polyphyletic migration operator and orthogonal learning

Biogeography-based optimization (BBO) is a powerful population-based algorithm inspired by biogeography and has been extensively applied to many science and engineering problems. However, its direct-copying-based migration and random mutation operators make BBO possess local exploitation ability but lack global exploration ability. To remedy the defect and enhance the performance of BBO, an enhanced BBO variant, called POLBBO, is developed in this paper. In POLBBO, a proposed efficient operator named polyphyletic migration operator can formally utilize as many as four individuals’ features to construct a new solution vector. This operator cannot only generate new features from more promising areas in the search space, but also effectively increase the population diversity. On the other hand, an orthogonal learning (OL) strategy based on orthogonal experimental design is employed. The OL strategy can quickly discover more useful information from the search experiences and efficiently utilize the information to construct a more promising solution, and thereby provide a systematic and elaborate reasoning method to guide the search directions of POLBBO. The proposed POLBBO is verified on a set of 24 benchmark functions with diverse complexities, and is compared with the basic BBO, five state-of-the-art BBO variants, five existing OL-based algorithms, and nine other evolutionary algorithms. The experimental results and comparisons demonstrate that the polyphyletic migration operator and the OL strategy can work together well and enhance the performance of BBO significantly in terms of the quality of the final solutions and the convergence rate.     

基于改进的迁移率模型的生物地理学优化算法

生物地理学优化（BBO）算法通过迁移和变异不断更新栖息地,以寻找最优解,其中迁移率模型的优劣会直接影响算法的优化性能。针对原始BBO算法采用线性迁移率模型适应性不足的问题,基于Logistic函数、三次多项式函数以及双曲正切函数提出了三种新的非线性迁移率模型,并应用于原始BBO算法中。对17个典型的基准函数进行优化性能测试,结果表明,基于双曲正切函数的迁移率模型所得解更接近函数的全局最小值,总体表现优于原始线性迁移率模型的BBO算法以及相关改进算法中表现优异的余弦迁移率模型。稳定性测试结果表明,在不同的变异率下,基于双曲正切函数的迁移率模型在多数测试函数上表现优于原始线性迁移率模型。在满足解多样性的基础上,该模型能够较好地适应非线性迁移问题,提高寻优能力。     

Biogeography-based optimization with improved migration operator and self-adaptive clear duplicate operator

Biogeography-based optimization (BBO) is a new emerging population-based algorithm that has been shown to be competitive with other evolutionary algorithms. However, there are some insufficiencies in solving complex problems, such as poor population diversity and slow convergence speed in the later stage. To overcome these shortcomings, we propose an improved BBO (IBBO) algorithm integrating a new improved migration operator, Gaussian mutation operator, and self-adaptive clear duplicate operator. The improved migration operator simultaneously adopts more information from other habitats, maintains population diversity, and preserves exploitation ability. The self-adaptive clear duplicate operator can clear duplicate or almost identical habitats, while also preserving population diversity through a self-adaptation threshold within the evolution process. Simulation results and comparisons from the experimental tests conducted on 23 benchmark functions show that IBBO achieves excellent performance in solving complex problems compared with other variants of the BBO algorithm and other evolutionary algorithms. The performance of the improved migration operator is also discussed.     

基于差分进化的生物地理学优化算法

针对生物地理学优化算法在实数编码时搜索能力较弱的缺点,提出一种基于差分进化的混合优化算法(BBO/DEs)。通过将差分进化的搜索性与生物地理优化算法的利用性有机结合,以解决原算法在局部搜索时容易出现早熟的问题;并构造一种基于Levy分布的变异方式,确保种群在进化过程中保持多样性;最后通过实验比较,选取了合适的试验策略。利用高维标准测试函数对相关算法进行实验,结果表明该算法能够克服搜索能力不足的缺点,并继承了原算法的快速收敛性能,可以有效兼顾精度与速度的要求。     

双种群分子动理论优化算法

针对传统分子动理论优化算法存在寻优精度差、易陷入局部极值等不足,提出了一种双种群分子动理论优化算法。该算法将种群分为精英和普通两个子群：普通子群采用传统分子动理论优化算法搜索策略进行大范围搜索,而精英子群则通过协同合作实现精细化搜索,以提高算法收敛精度;基于个体迁移实现子群间的信息交流,两个子群通过分工合作共同完成搜索过程。实验结果表明：改进算法在收敛速度、精度和算法稳定性等方面都有明显改善。     

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。     

混沌精英哈里斯鹰优化算法

针对哈里斯鹰优化（HHO）算法存在的收敛精度低、收敛速度慢、易于陷入局部最优的不足,提出了一种混沌精英哈里斯鹰优化（CEHHO）算法。首先,引入精英等级制度策略,以充分利用优势种群来增强种群多样性以及提升算法收敛速度和精度;其次,利用Tent混沌映射调整算法关键参数;然后,使用一种非线性能量因子调节策略来平衡算法的开发与探索;最后,使用高斯随机游走策略对最优个体施加扰动,并在算法停滞时,利用随机游走策略使算法有效跳出局部最优。通过对20个基准测试函数在不同维度下进行仿真实验,来评估算法的寻优能力。实验结果表明,改进算法的表现优于鲸鱼优化算法（WOA）、灰狼优化（GWO）算法、粒子群优化（PSO）算法和生物地理优化（BBO）算法,性能较原始HHO算法有明显提升,验证了改进算法的有效性。