基于自组织学习的生物地理学优化算法研究及应用

摘要

生物地理学优化算法是近年来提出的一种模拟生物物种在栖息地的分布、迁移以及灭绝的演化算法。该算法因其独特的演化机制和出色的寻优能力而广受关注。随着研究的深入和应用的推广，人们逐步认识到该算法在具有出色寻优能力的同时，也暴露出局部搜索能力弱的问题，有鉴于此，本文旨在设计与分析一种基于自组织学习的生物地理学优化算法，并对复杂数值优化和混沌时间序列预测的求解问题展开研究，主要工作如下： 1．自组织个体邻域学习模型的构建。本文针对基于全局拓扑邻域的个体信息迁移策略容易诱使算法陷入局部最优的问题，设计了一种自组织个体邻域学习模型。首先，该模型利用自组织网络将种群从高维空间映射到低维空间，并通过反复学习为每个个体找到对应的神经元；其次，利用自组织网络的拓扑不变性为个体构建邻域模型；最后，由该模型实现个体信息的有效传递，有利于保持种群多样性，避免算法过早陷入局部最优。 2．自组织邻域学习的迁移算子设计。针对生物地理学优化算法的迁移算子探索能力强，开发能力弱的特点，设计了一种自组织拓扑邻域学习的迁移算子。首先，根据已构建的自组织邻域模型，设计一种具有方向引导的差分迁移算子使个体朝着更加有利的方向演化，以此提高算法的局部搜索能力；其次，设计一种自适应选择机制来动态调节不同迁移算子的计算资源利用率，以此实现全局与局部搜索能力的有效平衡，从而提高算法性能。 3．自组织个体邻域学习的有效性研究。为验证改进算法的有效性，本文选取四种对比算法在23个经典测试函数上进行仿真实验。实验结果表明，基于自组织学习的生物地理学优化算法的整体性能明显优于其它四种对比算法，且性能的提升主要是由于自组织个体邻域学习机制的作用。此外，将改进算法进一步应用于混沌系统时间序列预测问题，基于Box-Jenkins、Lorenz混沌系统的仿真实验证实了改进算法的有效性。 综上所述，基于自组织学习的生物地理学优化算法不仅显著提升了生物地理学优化算法的寻优性能，而且其改进策略对其它演化算法的改进具有一定的借鉴意义，具有较强的学术价值。

目录

声明

插图索引

表格索引

缩略语对照表

1 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 论文研究内容和组织结构

1.3.1 主要研究内容

1.3.2 论文组织结构

1.4 本章小结

2 生物地理学优化算法概述

2.1 生物地理学简介

2.2 生物地理学优化算法原理

2.2.1 算法启发思想

2.2.2 迁移率模型的构造

2.2.3 迁移算子的设计

2.2.4 变异算子的设计

2.3 算法流程

2.4 性能分析

2.4.1 测试函数的选取

2.4.2 参数设置

2.4.3 实验结果统计与分析

2.5 本章小结

3 基于自组织学习的生物地理学优化算法

3.1 研究动机

3.2 自组织个体邻域学习模型的构建

3.2.1 个体邻域的构造

3.2.2 邻域结构的比较

3.2.3 自组织映射算法流程

3.3 算法改进

3.3.1 学习差分向量的迁移算子

3.3.2 自组织邻域学习的迁移算子设计

3.3.3 改进算子的实现

3.4 基于自组织学习的生物地理学优化算法

3.4.1 算法基本过程

3.4.2 算法伪代码

3.5 数值实验

3.5.1 测试函数的选取

3.5.2 对比算法

3.5.3 参数设置

3.5.4 实验结果统计及分析

3.6 进一步讨论

3.7 本章小结

4. 改进算法在混沌系统预测中的应用

4.1 引言

4.2 基于SOM-BBO的FNNs训练

4.2.1 前馈神经网络

4.2.2 基本原理与算法流程

4.3 实验研究

4.3.1 Box-Jenkins混沌时间序列

4.3.2 Lorenz混沌时间序列

4.4 仿真实验及实验结果分析

4.4.1 参数设置

4.4.2 Box-Jenkins混沌时间序列仿真结果

4.4.3 Lorenz混沌系统时间序列仿真结果

4.5 本章小结

5 总结与展望

5.1 全文总结

5.2 未来展望

致谢

参考文献

附录

攻读硕士学位期间主要研究成果