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。

改进的生物地理学优化算法在混合流水车间调度中的应用

调度问题是将有限的资源分配给各项不同任务的决策过程,其目的是优化一个或多个目标,它广泛存在于当今大多数的制造和生产系统中。混合流水车间调度问题是一般流水车间调度问题的推广,更接近实际的生产过程。采用一种新型的算法——生物地理学优化算法求解混合流水车间调度问题,通过引入改进策略,增强了算法的全局搜索能力和局部搜索能力,并提高了算法的收敛速度。通过10个标准调度算例的仿真研究,并与遗传算法进行对比,验证了改进后的生物地理学优化算法在求解混合流水车间调度问题方面的优越性。

基于改进生物地理学算法的列车ATO多目标优化研究

高速列车运行过程优化是一个多目标、非线性优化问题.为研究列车自动驾驶系统(automatic train operation,ATO)多目标优化问题,以列车运行的准时性、停车精确性、舒适性、能耗性为控制目标,列车动力学模型为约束条件,同时考虑列车惰行过分相区,建立列车多目标优化模型,提出了一种改进的生物地理学(biogeography-based optimization,BBO)优化ATO速度曲线方法.为提高算法优化性能,使用更加倾向自然法则的双曲正切变体迁移模型;在变异过程中使用差分进化(differential evolutionary,DE)变异策略,提高种群多样性,同时加入柯西分布随机数帮助算法跳出局部最优;利用反向学习提高变异后个体的多样性,保证算法的全域搜索.同时通过基准测试函数验证该算法收敛速度和全局优化能力的优越性.以CRH3型高速列车和汉宜客运某线路进行仿真实验,结果表明,所提方法可以使列车追踪运行更加高效、舒适、安全和节能,其中舒适度提升了39.24%,能耗降低了3.5653%.

基于改进生物地理学算法的并网型微电网优化调度

在综合考虑燃气轮机、柴油发电机等分布式电源以及储能装置的基础上,建立了各微电源出力的数学模型;建立了计及分时电价和负荷转移策略的双重指标负荷侧响应模型;以微网日运行成本最低为目标,建立了微电网优化调度目标函数。为求解负荷侧响应模型和调度模型,对生物地理学优化(Biogeography-based optimization,BBO)算法进行改进,结合差分进化思想修改迁移算子,使用基于协方差矩阵的迁移操作来增强BBO对不可分离问题的适应性。结果表明,改进后生物地理学算法的收敛性有所改善;优化后的微电网运行具有更好的经济效益。

一种求解番茄种植规划问题的多目标粒子群-生物地理学优化算法

针对番茄酱产季的番茄原料供应不均衡问题,提出一种多目标粒子群生物地理学算法对番茄规划模型进行求解。结合Pareto快速非支配排序法和粒子群与生物地理学算法的操作机制,能够更好地增加算法的全局搜索性能。构建以使企业经济损失最小、种植户总净收益最大和使种植面积最小为番茄规划的三个目标函数。以某番茄酱厂提供的环境参数为例,MATLAB仿真计算结果表明,在求解番茄种植规划问题上,该算法比传统的进化算法表现更好,能够获得合理的种植规划方案。

基于生物地理学算法的桁架结构优化

针对具有离散变量的桁架结构优化问题,提出了基于生物地理学算法的尺寸、形状与拓扑一体式优化方法。以杆件截面尺寸、结构形状与节点连接形式作为设计变量,以结构质量最小为目标函数,考虑以结构刚度、强度和杆件的稳定性作为约束条件,建立一种基于生物地理学算法的优化模型,采用罚函数法处理约束条件,对平面和空间桁架结构进行布局优化。优化后的桁架杆件排布形式合理且质量最优。

基于改进生物地理学优化算法的SVC次同步阻尼控制器设计

针对常用的次同步振荡控制器不能较好地适应电力系统时变非线性的特点,提出了一种引入余弦迁移模型、早熟判断机制、变尺度混沌变异策略及排重操作的改进生物地理学优化算法。基于该算法结合静止无功补偿器(SVC)抑制次同步振荡的机理,对次同步阻尼控制器进行优化设计,并采用特征值分析和时域仿真验证了控制系统的有效性。锦界电厂算例分析表明:经改进生物地理学算法优化的SVC次同步阻尼控制器能较好地提高机组扭振的模态阻尼,可有效抑制次同步振荡,进而保证机组和电网的安全稳定运行;与传统的生物地理学优化算法、粒子群算法及遗传算法相比,改进生物地理学优化算法在搜索最优控制参数时具有较快的搜索速度和较高的搜索精度。

基于改进差分进化-生物地理学优化算法的最优潮流问题

生物地理学优化算法(biogeography-based optimization,BBO)是一种新提出的全局智能优化算法,但是其应用于最优潮流计算时,具有早熟和收敛不稳定的问题。将BBO与差分进化(differential evolution,DE)算法相结合,并对差分进化部分的改进策略稍做修改,形成改进DE-BBO算法。应用所提方法对IEEE 30节点系统进行了有功优化的计算,并和GA、PSO、BBO和DE 4种方法进行了分析和比较,结果表明所提方法具有良好的收敛稳定性,可以有效缩短迭代时间。

基于二次变异改进生物地理学优化算法的限流器配置方法

针对开关型限流器的优化配置问题,为准确评估限流器动作后的限制效果,建立了断路器的最大开断电流与限流器配置的数学关联模型,在此基础上以各支路两侧安装限流器的电抗值为优化变量,以区域电网配置限流器的单位成本限流效果最大化为优化目标,以母线短路电流、断路器最大开断电流以及单个限流器的限流电抗为约束条件,建立限流器优化配置模型。以余弦迁移模型和柯西变异的生物地理学优化(BBO)算法为基础,并针对优化变量中相邻维度对适应度函数影响相近的特点,在算法中引入相邻维度间的二次变异操作,提出了基于适用于限流器优化配置的二次变异改进BBO算法。以某500 kV区域电网为例,进行限流器优化配置;为了验证所提改进BBO算法的优化性能,运用多个不同优化算法对限流器优化配置模型进行求解,优化结果表明,改进BBO算法具有较好的收敛速度、稳定性以及寻优能力。

露天矿运输调度优化的生物地理学改进算法

露天矿生产运输调度优化问题是一类典型的具有非线性、多变量特征的优化问题。首先,在对露天矿卡车调度优化进行系统分析的基础上,以总运输费用最小为目标函数,给定矿石量、运输能力等约束条件,建立运输调度优化模型;然后,提出将差分算法中局部搜索功能引入到基本生物地理学优化算法的迁移策略中的改进生物地理学优化算法;最后,以MATLAB软件为平台,以露天矿实际生产运输实例数据为依据,计算出改进的生物地理学算法优化路径的综合运输成本比实际花费成本节约5 994万元,且比单一的生物地理学算法和差分算法优化路径的运输成本更低,验证了该算法求解露天矿运输调度问题的优越性。

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。

引入物种演化的改进生物地理学优化算法

针对生物地理学优化算法(biogeography-based optimization,BBO)易早熟收敛、陷入局部最优的问题,引入物种演化理论提出了改进生物地理学优化算法。该算法将所有栖息地按照物种数量划分为三种地区,并建立协同进化关系,合理地采用区间入侵、区内合作/竞争策略,满足多样性的同时避免了早熟收敛。定义了物种更迭和物种进化两种变异策略,提出的双策略协同变异算子旨在解决变异算子对较优解的破坏。通过CEC2017中的八个基准测试函数与标准BBO及相关改进算法相比,该算法在算法性能、稳定性等方面优于BBO及其他改进算法,且该算法不易被局部最优值所限制。将该算法应用于以最大完工时间为目标的柔性作业车间调度问题(flexible Job-Shop scheduling problem,FJSP)以检验其实际应用价值,实验表明,该算法在解决FJSP上具有一定的有效性。

改进生物地理学优化算法的无线传感器节点定位

节点定位是无线传感器网络的应用基础,针对DV-Hop算法定位误差的缺陷和提高节点的定位精度,提出一种生物地理学优化算法的无线传感器节点定位方法。首先,对标准生物地理学优化算法进行改进,提高其全局搜索能力,然后,利用改进生物地理学代替DV-Hop算法第三阶段的最小二乘算法,对节点定位结果进行优化,最后,在Matlab 2012平台上对算法的定位性能进行仿真分析。仿真结果表明,相对于DV-Hop算法,其算法提高了节点的定位精度,大幅度降低了节点的定位误差,具有更高的实际应用价值。

改进生物地理学优化算法及其在PID控制器参数中的优化

为了解决生物地理学优化(Biogeography-based optimization,BBO)算法在收敛过程容易陷入早熟的问题,提出了一种改进的生物地理学优化(Improved biogeography-based optimization,I-BBO)算法。该算法是在生物地理学的基础上,引入了人工驯养的概念,把人工驯化与生物地理学算法相结合,解决了BBO算法在后期存在搜索动力不足的问题。仿真实验表明:I-BBO算法提高了物种的多样性,增强了算法的搜索能力,加快了寻优速度。将该文提出的I-BBO算法应用到比例积分微分(Proportion integration differentiation,PID)控制器的参数整定中,通过两个例子的仿真,结果表明,I-BBO算法在优化PID控制器参数上比原有的BBO算法更加迅速。

改进的基于局部搜索策略的生物地理学优化算法

为了提高生物地理学优化(BBO)算法的优化特性,提出一种改进的基于局部搜索策略的生物地理学优化算法(ILSBBO)。改进的算法将差分进化算法的局部搜索策略与BBO算法的迁移策略进行结合,并引入了差分进化算法中的选择操作。在13个基准测试函数上,对改进的算法、基本BBO算法,以及基于BBO的混合差分进化算法(DE/BBO)进行比较,结果表明改进的算法优于所比较的其他两种算法;此外,改进后的算法在收敛速度上也优于基本BBO算法。

改进生物地理学优化算法在配电网无功优化中的应用

针对生物地理学算法(BBO)信息利用能力强但搜索能力不强的问题,提出了一种结合遗传算法改进变异操作的算法.改进算法充分利用了遗传算法的搜索能力,使算法的寻优能力得到了很大的改善.将该算法应用于IEEE34节点的系统,采用分区的方法进行无功补偿优化.算例表明:与基本BBO算法、遗传算法的无功优化相比,改进算法在计算速度和优化效果方面都具有明显的优势.

生物地理学优化算法综述

生物地理学(Biogeography)是一门研究自然界种群迁移机制的科学,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(BBO,Biogeography-Based Optimization)。生物地理学优化算法以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。对生物地理学优化算法的设计原理、迁徙模型、算法流程及相应迁移和突变操作进行了综述。通过BBO算法在14个基准函数下与传统算法,如遗传算法、蚁群算法和粒子群等优化算法的性能比较,表明生物地理学优化算法是有效的。论述了算法与传统优化算法之间的差异以及BBO算法有待解决的问题。

生物地理学优化算法理论及其应用研究综述

生物地理学优化算法(Biogeography-Based Optimization,BBO)是Simon提出的一种基于生物地理学理论的新型智能优化算法,具有良好的收敛性和稳定性。从BBO算法提出的背景出发,介绍了算法的基本理论、算法特点以及算法流程。总结了BBO算法的研究进展,包括BBO算法的理论分析、算法的改进、算法与其他优化算法的混合算法以及BBO算法在函数优化、电力系统、图像处理、机器人路径规划以及调度优化等领域的典型应用。对BBO算法有待解决的问题和未来研究方向进行了总结。

采用改进生物地理学算法的风电并网电力系统多目标发电调度

构建了兼顾能源环境效益和发电经济性的风电并网电力系统多目标发电调度(multi-objective generation dispatch,MOGD)模型,为了快速准确求解该模型,达到为决策者提供合理候选调度方案的目的,将生物地理学(biogeography-based optimization,BBO)算法用于解决风电并网电力系统MOGD问题。采用余弦迁移模型、混合迁移算子、基于柯西分布的变异算子和相似体检测技术等策略来改善BBO算法的性能。提出综合模糊支配度和分布密度的帕累托(Pareto)解集排序方法,促进Pareto最优前沿(Paretooptimal front,POF)向理想Pareto前沿逼近,并保持解集的多样性。以含6台火电机组和1个并网风电场的电力系统为例进行仿真计算,结果验证了改进生物地理学算法在求解多目标发电调度问题方面的可行性和有效性。

动态迁移和椒盐变异融合生物地理学优化算法的高维多阈值分割

针对高维多阈值图像分割中存在的多阈值搜索问题,提出了一种动态迁移和椒盐变异融合的生物地理学优化算法(BBOD)。首先,构建了一种基于动态扰动的迁移算子,对候选解中没有发生迁移操作的特征值添加一个动态的扰动因子,使种群的多样性增加,从而提高全局搜索能力;然后,创建了新型的变异算子,对待变异的特征值产生一个椒盐扰动,使该值在小范围内浮动,以便提高局部搜索能力和算法的收敛速度;最后,将该算法应用到基于最小交叉熵的图像高维多阈值分割中。高维多阈值分割实验结果表明,本文提出的BBOD算法能够获得最优的阈值向量,运行速度、性能指标均优于标准的生物地理学优化(BBO)算法,基于变异的生物地理学优化(BBOM)算法、FFA(Firefly Algorithm)和CSA(Cuckoo Search Algorithm),运行速度是FFA的5倍以上。该算法更适用于基于最小交叉熵的高维多阈值优化选择。