检索历史 清除

摘要生物地理学优化(BBO)算法作为一种模拟自然界物种迁移的新型进化算法，具有原理简单、算法易实现、参数灵敏度低等特点。与其他进化算法相比,BBO算法在求解高维、复杂优化问题上具有独特的优势和开发潜力。基于此，本文主要对BBO算法展开研究，分析和讨论标准BBO及其现有变体的缺陷，在此基础上针对性提出改进策略，得到新的算法变体。在理论层面证明和讨论了改进BBO算法的全局收敛性和计算复杂度;在性能层面通过系统性的实验验证算法的有效性和先进性;在应用层面将其应用于现实世界的复杂工程优化问题。本文共设计两种BBO变体，进行27组对比实验，包含42种对比算法,涉及5个测试集，涵盖166个问题。主要工作总结如下:<br>　　1.针对高维全局优化问题，提出了一种基于正弦余弦算法(SCA)和动态混合变异的对偶BBO算法，命名为SCBBO。首先，创新性地采用拉丁超立方抽样方法提高初始种群的遍历性。其次，在SCA位置更新公式中引入非线性变换参数和惯性权重调整因子，使SCBBO适宜于高维优化环境。再次，将拉普拉斯变异和高斯变异相结合，设计了一种动态混合变异算子，帮助算法摆脱局部最优，实现了勘探与开发的平衡。最后，集成对偶学习策略,通过生成对偶个体进一步提高了收敛精度。同时，建立了数列收敛模型，证明该算法能以概率1的形式收敛到全局最优解。与其他先进的进化算法相比，SCBBO算法有效地提高了大规模全局优化问题的收敛精度和收敛速度。为了进一步验证SCBBO的优越性,分别在1000维、2000维、5000维和10000维上进行了性能比较。对比结果表明，SCBBO在这些维度上的优化结果基本一致，可有效求解高维全局优化问题。<br>　　2.针对复杂全局优化问题，提出了一种基于混合迁移算子和反馈差分进化机制的BBO变体,简称为HFBBO。首先，采用榜样学习法，确保劣解不会破坏优解。其次，为了平衡勘探与开发，提出了混合迁移算子。该算法可以在全局搜索和局部搜索之间自由切换。最后，设计了反馈差分进化机制来替代随机变异算子。通过这种机制，HFBBO可以智能地选择变异模式，避免陷入局部最优。同时，通过建立Markov模型证明了该算法的收敛性，并对其复杂度进行了讨论。在24个Benchmark函数、CEC2013测试套件、CEC2014测试套件和CEC2017测试套件上进行了多组对比实验。Wilcoxon秩和检验和Friedman检验结果表明，与其他优秀算法相比，HFBBO具有更优的竞争力和稳定性，可有效求解复杂全局优化问题。<br>　　3.针对现实生活中的各种复杂约束优化问题，将一种改进的Oracle惩罚函数方法嵌入到两种改进的BBO算法中。此外，为了求解混合变量的约束优化问题,在两种BBO变体中引入了一种通用的离散变量处理方法，将离散变量统一转化为连续变量。基于上述处理，得到了求解复杂约束优化问题的SCBBO-CH和HFBBO-CH算法。将SCBBO-CH和HFBBO-CH算法应用于CEC2020现实优化问题测试套件的57个工程约束优化问题,并采用五种state-of-the-art算法进行对比分析。研究结果表明,SCBBO-CH和HFBBO-CH在近半数的问题上取得了理想的结果，在求解复杂约束优化问题方面具有明显的优势，算法性能优于其他先进算法。<br>　　本文共有图25幅，表45张，参考文献173篇。希望本文浅显的工作可以为BBO算法的进一步研究提供一点思考。