基于自组织学习的生物地理学优化算法研究及应用

发布时间：2020-06-06 23:40

【摘要】：生物地理学优化算法是近年来提出的一种模拟生物物种在栖息地的分布、迁移以及灭绝的演化算法。该算法因其独特的演化机制和出色的寻优能力而广受关注。随着研究的深入和应用的推广,人们逐步认识到该算法在具有出色寻优能力的同时,也暴露出局部搜索能力弱的问题,有鉴于此,本文旨在设计与分析一种基于自组织学习的生物地理学优化算法,并对复杂数值优化和混沌时间序列预测的求解问题展开研究,主要工作如下:1.自组织个体邻域学习模型的构建。本文针对基于全局拓扑邻域的个体信息迁移策略容易诱使算法陷入局部最优的问题,设计了一种自组织个体邻域学习模型。首先,该模型利用自组织网络将种群从高维空间映射到低维空间,并通过反复学习为每个个体找到对应的神经元;其次,利用自组织网络的拓扑不变性为个体构建邻域模型;最后,由该模型实现个体信息的有效传递,有利于保持种群多样性,避免算法过早陷入局部最优。2.自组织邻域学习的迁移算子设计。针对生物地理学优化算法的迁移算子探索能力强,开发能力弱的特点,设计了一种自组织拓扑邻域学习的迁移算子。首先,根据已构建的自组织邻域模型,设计一种具有方向引导的差分迁移算子使个体朝着更加有利的方向演化,以此提高算法的局部搜索能力;其次,设计一种自适应选择机制来动态调节不同迁移算子的计算资源利用率,以此实现全局与局部搜索能力的有效平衡,从而提高算法性能。3.自组织个体邻域学习的有效性研究。为验证改进算法的有效性,本文选取四种对比算法在23个经典测试函数上进行仿真实验。实验结果表明,基于自组织学习的生物地理学优化算法的整体性能明显优于其它四种对比算法,且性能的提升主要是由于自组织个体邻域学习机制的作用。此外,将改进算法进一步应用于混沌系统时间序列预测问题,基于Box-Jenkins、Lorenz混沌系统的仿真实验证实了改进算法的有效性。综上所述,基于自组织学习的生物地理学优化算法不仅显著提升了生物地理学优化算法的寻优性能,而且其改进策略对其它演化算法的改进具有一定的借鉴意义,具有较强的学术价值。
【图文】：

物种分布,物种迁移,生物地理学

生物地理学优化算法述2 生物地理学优化算法概述2.1 生物地理学简介BBO 的理论基础是生物地理学，生物地理学是一门研究生态系统中物种分布的学科，生物地理学的数学模型描述了物种在栖息地之间迁移、繁衍和灭绝的过程。一个生态系统通常分散着多个栖息地，如图 2-1 物种迁移图所示，物种在生态系统中会因为栖息地环境因素的改变而发生迁移。在生物地理学中，用适宜度指数 HSI（Habitat Suitability Index）衡量一个栖息地是否适宜居住，影响栖息地优劣的因素主要包括物种数量、生存空间、植物多样性、温度、降雨、地形特征等，这些因素构成栖息地适宜度向量 SIVs（SuitabilityIndex Variables），SIVs 的每个分量代表一个影响因素，HSI 通过 SIVs 来刻画。迁出

模型图,物种迁移,模型,栖息地

8图 2-2 物种迁移模型e 2-2 Species migration model入率（）和迁出率（），上文提迁移率模型刻画了栖息地物种数量、移率是随种群数量的改变而线性变化率，一般取值都为 1。表示最大，λ = I，μ = 0，，当物种数量增多时，数量达到饱和（此时栖息地种群数量
【学位授予单位】：西安理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;Q15

【相似文献】