一种基于生物地理优化的快速运动估计算法

为了提高视频编码中运动估计的性能,该文提出了一种新的基于生物地理优化的快速运动估计算法。该算法以运动矢量的特性为基础,通过生物地理优化算法的迁徙和变异操作搜索全局最优解,克服了以往快速搜索算法容易陷入局部最优的缺点,同时采用了早期和迭代终止策略,进一步简化运算复杂度。实验表明,该算法的整体性能高于以往快速搜索算法,可以有效兼顾搜索精度和速度的要求。由于实现简单和适用面广,该算法能满足实时视频编码的需求。

基于生物地理优化算法的抽油机故障诊断研究

提出将混沌变异算子与生物地理优化算法融合,利用混沌变异算子把混沌运动遍历范围放大,克服标准生物地理优化算法搜索能力不强的缺点,达到混沌搜索性与生物地理优化利用性的平衡,并通过测试函数的仿真测试,验证了所提出的新算法的可行性;运用改进的生物地理优化算法优化神经网络的权值和阈值,与传统BP算法的训练结果进行仿真比较,证明了基于生物地理优化算法的神经网络改善了传统算法训练时间长、容易陷入局部极值的缺点,并把优化好的神经网络应用于抽油机故障诊断,仿真结果表明,该算法具有较好的训练性能,收敛速度快,稳定性能好,能够大大提高故障诊断的精度。

基于生物地理优化算法的数值积分方法实验

根据不等距节点原理,利用生物地理优化算法求解数值积分。介绍了生物地理优化算法的基本原理,定义了栖息地适应性指数、适合指数变量等参数,给出了迁移和变异操作的数学模型。根据数值积分不等距节点原理,在积分区间内任意选取一定的节点,采用生物地理优化算法优化这些节点求取积分值。最后,利用Matlab软件进行了仿真和实验,以证明该算法的有效性。典型的数值积分函数实例仿真表明,利用生物地理优化算法求解数值积分具有精度高和自适应强的特点,计算结果好于粒子群算法、梯形法和Simpson法。

基于生物地理优化算法的网络入侵检测

特征提取和选择是网络入侵检测的一个关键步骤,针对当前特征提取算法存在的缺陷,以提高入侵检测正确率为目标,提出了一种基于生物地理优化算法的网络入侵检测模型。对当前网络入侵检测研究现状进行分析,找到当前模型检测正确率低的原因,建立网络入侵检测特征提取和选择的数学模型,采用生物地理优化算法对该数学模型进行求解,并根据求解结果建立最优的入侵检测模型,在Matlab 2014平台上进行了仿真测试。结果表明,该模型可以找到最优的特征,提高了入侵检测的正确率,具有较高的实际应用价值。

基于生物地理优化算法的神经网络故障诊断方法研究

将生物地理优化算法和BP算法相结合,提出一种基于生物地理神经网络的故障诊断方法。采用生物地理优化算法优化神经网络的连接权值和阈值,运用这种新型算法的高效优化性能改进了传统BP神经网络收敛速度慢、易陷入局部极小值的缺点。将优化好的神经网络应用于抽油机的故障诊断,通过仿真实验得出:生物地理优化算法训练神经网络是可行的,并且诊断结果具有良好的有效性和准确性。

三角函数变异模型的生物地理优化算法

在介绍BBO算法的基本原理基础上,提出了三角函数变异模型的生物地理优化算法,并进行了函数测试,测试结果表明,基于三角函数变异模型的BBO算法在算法稳定性和收敛精度上明显好于线性模型.

具有二重机制的生物地理优化算法及圆柱度误差评定研究

生物地理学优化算法(Biogeography-base optimization,BBO)是一种新型的智能算法,因其参数少、易于实现等优点而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。改进的算法在将差分优化算法(Differential evolution,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做出改进,并通过基准函数的测试证明了改进后的算法在迭代过程中种群进化、寻优能力以及算法的收敛性能得到进一步提升。尝试将改进了的生物地理学优化算法应用于圆柱度误差评定。依据国家标准,结合最小区域法,以圆柱度误差数学模型为目标函数,该算法实现了误差评定优化求解。通过该寻优结果与其他方法的评定结果的比较,验证了该种算法的可行性和正确性及其优越性。

基于混合二次对立学习的生物地理优化算法

针对生物地理优化(BBO)算法探索能力不强、收敛速度慢的缺点,提出一种基于混合二次对立学习的生物地理优化算法——HQBBO。首先,定义一种启发式的混合二次对立点,并从理论上证明其搜索效率优势;然后,提出混合二次对立学习算子,增强算法的全局探索能力,提高收敛速度;此外,还采用搜索域动态缩放策略和精英保留策略进一步提高寻优效率。对8个基准测试函数的仿真实验结果表明,所提算法在寻优精度和收敛速度上优于基本BBO算法和对立BBO算法(OBBO),表明其采用的混合二次对立学习算法对于其高收敛速度和全局探索能力是非常有效的。

基于混合生物地理优化的混沌系统参数估计

混沌系统的参数估计本质上是多维参数的优化问题.结合和声搜索方法和对立学习机理,提出一种混合生物地理优化算法,用于解决混沌系统的参数估计问题.利用对立学习机理增加初始群体的多样性,并引入和声搜索以增强局部寻优能力,从而提升整体寻优性能.以典型混沌系统为例进行了未知参数估计的数值仿真,结果验证了所提出混合生物地理优化方法的有效性和鲁棒性.

基于多种群生物地理学优化的混合智能算法

为解决生物地理学优化算法容易陷入局部最优,难以充分平衡勘探与开发,且求解速度慢、精度低等问题,提出一种基于多种群组的混合智能算法.该算法将大陆中的栖息地个体根据适应度值排序后分为3个子种群组,针对每个子种群组的性能采用不同的更新策略.在10个基准函数的不同维度上验证改进算法的有效性,并与更具有竞争力的生物地理学优化算法变体和其他先进智能算法进行比较,得出改进的算法有效地提高了高维优化问题的精度和收敛速度的结论.同时,通过工程问题应用表明,改进的算法对约束优化问题是有效的.

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。

基于混沌的生物地理分布优化算法

生物地理分布优化算法(BBO)是一种新型的智能优化算法,其寻优能力优于以往的智能优化算法,但同样存在早熟收敛的缺陷。针对该问题,提出了基于混沌的生物地理分布优化算法(CSBBO)。该算法首先利用分段混沌映射产生初始种群,再根据BBO算法进行全局搜索得到当前最优解,最后以该解为基础进行混沌搜索得到全局最优解。仿真测试表明,该算法的收敛速度和寻优精度均优于BBO算法和以往智能优化算法。

基于生物地理-海鸥群优化的高维结构可靠性分析

结构可靠度分析中,一阶可靠度方法由于简单高效而得到广泛使用。然而,对于高维非线性问题,一阶可靠度方法可能导致不收敛或者早熟。为克服这一缺陷,本文提出了基于生物地理-海鸥群优化的改进一阶可靠度方法。针对海鸥群优化算法在寻优过程中存在的早熟现象,引入生物地理优化算法中的变异与迁移机制,提出生物地理-海鸥群混合优化策略进行寻优计算。生物地理优化和海鸥群优化分别控制在探索和开发阶段的种群位置更新,提高了海鸥群优化算法的探索能力。所提方法易于实施,无需梯度信息,全局收敛能力良好。最后,采用了两个包含高维随机变量的框架结构和网架结构可靠度分析案例,验证了所提算法的有效性。

基于生物地理学优化的分簇算法

为提高WSN的能量效率和网络吞吐量,提出一种基于生物地理学优化的分簇算法(CABBO)。从3个方面提高生物地理学优化(BBO)在WSN分簇的适应性。通过综合节点剩余能量、邻居节点个数、与基站距离因素,选取综合值大的节点优化初始栖息地种群质量,提高算法收敛速度;采用余弦迁移模型提高算法的探索能力;通过考虑多个性能指标定义目标函数,实现网络的有效连接和负载均衡。实验结果表明,该算法在网络生命周期、能量效率、吞吐量和负载均衡等方面具有较优性能表现。

基于动态迁移的ε约束生物地理学优化算法

提出基于动态迁移的ε约束生物地理学优化算法(εBBO-dm).首先,利用ε约束方法来处理约束条件,并根据群体约束违反度的优劣程度对水平参数ε进行自适应调整,充分利用较优不可行个体的有效信息,有效提高对可行域的搜索效率.其次,采用新的ε约束排序机制确定迁入率和迁出率,较好地平衡可行个体与不可行个体之间的关系.再次,为了增强迁移机制的搜索能力,提出新的动态迁移策略.最后,采用分段logistic混沌映射改进物种变异机制,提高了算法的收敛精度.通过对13个标准测试函数的仿真实验表明,εBBO-dm较其他算法在收敛精度和收敛速度上具有明显优势,尤其适合于复杂单目标约束优化问题的求解.

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。

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。

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。

基于差分进化的生物地理学优化算法

针对生物地理学优化算法在实数编码时搜索能力较弱的缺点,提出一种基于差分进化的混合优化算法(BBO/DEs)。通过将差分进化的搜索性与生物地理优化算法的利用性有机结合,以解决原算法在局部搜索时容易出现早熟的问题;并构造一种基于Levy分布的变异方式,确保种群在进化过程中保持多样性;最后通过实验比较,选取了合适的试验策略。利用高维标准测试函数对相关算法进行实验,结果表明该算法能够克服搜索能力不足的缺点,并继承了原算法的快速收敛性能,可以有效兼顾精度与速度的要求。

基于模糊支配的生物地理学优化算法及其在含风电场电力系统调度中的应用

构建了含风电场电力系统发电成本和环境影响的双目标优化调度模型,应用模糊支配将双目标函数转化为单个评价标准,提出了基于模糊支配的生物地理学优化算法并对模型进行求解。通过与使用同样支配算法的遗传算法、粒子群优化算法相比较,验证了所提算法在处理电力系统多目标优化调度问题中的可行性和优越性。算例分析表明,根据优化调度决策,在合理的穿透功率范围内,风电的并网对提高电力生产的经济性具有较明显的效果,而在改善环境效益方面不是决定性因素。