检索历史 清除

摘要生物地理学优化算法(Biogeography-Based Optimizer,BBO)是在研究生物种群生存、繁衍、衰落和灭绝规律的基础上,通过模拟种群活动构造出的一种新型智能优化算法。BBO算法由于其独特的搜索机制和良好的优化性能受到众多研究者的关注,已成为智能优化算法领域一个新的研究热点。虽然BBO算法发展历史尚短,但已有研究成果表明了其解决优化问题的能力,借鉴其它算法的特点可以进一步提高它的优势,所以BBO算法有很大的发展空间。<br>　　本文在分析BBO算法基本原理的基础上,对BBO算法进行改进和应用,主要研究工作包括:<br>　　(1)以BBO算法为基础,提出了一种基于中值迁移和柯西变异的改进BBO算法(Biogeography-Based Optimizer Based on Mean Value Migration and Cauchy Mutation,MCBBO),用于求解单目标优化问题。在MCBBO算法中设计了中值迁移算子和柯西变异算子。根据中值迁移算子,迁移个体由原来的随机个体替换迁移方式,改进为随机个体和当前全局最优个体共同引导的折衷迁移方式,可以实现更准确有效的迁移;利用柯西变异算子,变异个体有更广阔的变异范围,使得陷入局部极值的个体有较大机会跳出局部极值再次进入良性寻优过程,也使得较差个体有更大机会变异到更好状态。<br>　　(2)以MCBBO算法为基础,引入精英种群参与进化种群的进化,提出了一种基于中值迁移算子和支配的改进算法(Multi-objective Biogeography-Based Optimization with Mean Value Migration Operator, MVBBO),用于求解多目标优化问题。在MVBBO算法中,引入精英种群,并采用一种基于支配关系的修剪策略维护精英种群,既可以防止Pareto前沿退化,又能保证Pareto前沿分布的均匀性。<br>　　(3)群体路径规划是群体动画设计的关键问题之一,快速生成多样化的、真实的群体运动路径对群体动画设计有重要意义。本文采用MCBBO算法生成群体路径,并在构建场景时考虑具体问题,如环境边界限制、障碍物穿透检测、个体碰撞避免、群体运动停滞不前等问题。在解决了上述问题后,很好地实现了四种群体运动路径的规划,包括聚集、跟随、疏散和扩散。