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(HMB-BO).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.

多种群混合迁移生物地理学算法在短期负荷预测中的应用

为了获得更精确的电力负荷预测精度,提出了一种基于多种群混合迁移生物地理学算法(MGBBO)和核极限学习机(KELM)的短期负荷预测算法。改进算法首先对原始种群根据目标适应度值分化成三个不同的小种群;其次,融合了BBO算法中的迁移与变异操作,创建了一种新型的分种群混合迁移算子,使三个小种群按照不同的方式进行变异迁移,丰富整体种群的多样性,提高算法的收敛速度和全局搜索能力;最后将改进算法与KELM结合构建预测模型用于负荷预测。6个测试函数测试以及实际电力负荷预测的仿真结果表明:MGBBO算法拥有更快的收敛速度和求解精度,MGBBO-KELM应用于负荷预测能够显著降低预测误差,提高预测精度。