差分迁移和趋优变异的生物地理学优化算法
小型微型计算机系统Journal of Chinese Computer Systems
2018年6月第6期Vol.39No.62018
收稿日期:2017-05-19 收修改稿日期:2017-06-09 基金项目:河南省重点科技攻关项目(132102110209)资助;河南省基础与前沿技术研究计划项目(142300410295)资助. 作者简介:张新明,男,1963年生,硕士,教授,CCF 会员,研究方向为智能优化算法二数字图像处理和模式识别;康 强,男,1989年生,硕士研究生,研究方向为智能优化算法和数字图像处理;王 霞,女,1993年生,硕士研究生,研究方向为智能优化算
法和数字图像处理;程金凤,女,1990年生,硕士研究生,研究方向为数字图像处理.
差分迁移和趋优变异的生物地理学优化算法
张新明1,2,康 强1,王 霞1,程金凤1
1(河南师范大学计算机与信息工程学院,河南新乡453007)
2
(河南省高校计算智能与数据挖掘工程技术研究中心,河南新乡453007)
E-mail :xinmingzhang @https://www.360docs.net/doc/9316905395.html,
摘 要:为增强生物地理学优化(Biogeography-based optimization ,BBO )算法的优化性能,降低其运行时间,提出了一种差分迁移和趋优变异的生物地理学优化算法(DGBBO ).首先,将两种差分扰动操作与BBO 算法的迁移操作有机融合,形成差分迁移算子,提升全局搜索能力并平衡探索和开采;其次,将趋优操作融入到BBO 算法的变异算子中,替换原变异操作,形成趋优变异算子,克服了原变异算子存在的缺陷,加快收敛速度;此外,还从多个角度降低算法的计算复杂度.在一组常用的基准函数上进行了仿真实验,实验结果表明,相较于其它state-of-the-art 算法,DGBBO 算法寻优能力显著,稳定性强,收敛速度快,运行时间少,验证了其优秀的优化性能.
关键词:进化算法;生物地理学优化算法;差分迁移算子;趋优变异算子;优化问题
中图分类号:TP 18 文献标识码:A 文章编号:1000-1220(2018)06-1168-10
Biogeography-based Optimization with Differential Migration and Global-best Mutation
ZHANG Xin-ming 1,2,KANG Qiang 1,WANG Xia 1,CHENG Jin-feng 1
1(College of Computer and Information Engineering ,Henan Normal University ,Xinxiang 453007,China )2
(Engineering Technology Research Center for Computing Intelligence &Data Mining ,Xinxiang 453007,China )
Abstract :In order to enhance the optimization performance and reduce the runtime of the biogeography-based optimization (BBO )al-gorithm ,an improved biogeography-based optimization algorithm with differential migration and global-best mutation (DGBBO )is presented.Firstly ,the two differential disturbance operations are blended with BBO?s migration operation to generate the differential migration operator.The differential migration operator can improve the global searching ability and balance the exploration and exploi-tation.Secondly ,the global-best operation is merged into BBO?s mutation operator instead of the original mutation operation to gener-ate the global-best mutation operator.The global-best operator can overcome the defects of the original mutation operator and acceler-ate convergence speed.In addition ,the computation complexity of the algorithm is reduced from several aspects.A large number of simulation experiments are made on a set of common benchmark functions.The experiment results show that ,compared with the other state-of-the-art algorithms ,DGBBO performs more significant optimization ability ,stronger stability ,faster convergence speed and less runtime.So DGBBO?s excellent optimization performance is verified.Key words :evolutionary algorithm ;biogeography-based optimization ;differential migration operator ;global-best mutation operator ;op-
timization problem
1 引 言
进化算法是一类模拟自然现象和生物行为的优化算法,主要通过群智能的方法在解空间区域搜索最优解,具有比传统优化方法更高的搜索效率,常用于处理科学和工程领域中的优化问题.已有的知名进化算法包括粒子群(Particles swarm optimization ,PSO )算法[1],人工蜂群(Artificial bee col-ony ,ABC )算法[2],差分进化(Differential evolution ,DE )算法[3]等,近几年还不断有各种新的算法被提出.
生物地理学优化(Biogeography-based optimization ,BBO )算法是进化算法之一,于2008年由Simon [4]首次提出,得到众多学者的青睐,然而,该算法的两个主要算子(迁移算子和
变异算子)都存在着一些缺陷,且算法收敛速度慢,计算复杂度高,从而影响了算法的优化性能和运行速度.
许多学者在改善BBO 算法方面进行了大量研究,主要分为以下四个角度:一二分析调整BBO 算法的模型和参数,例如,Ma [5]提出了6种不同的迁移模型,分析了各模型下迁入率和迁出率的变化曲线,并在不同的种群数量二问题维度二变异率二最大迁入率和最大迁出率下对6种模型的优化性能进行测试,验证了余弦迁移模型具有最好的优化性能,该模型后来也被一些其它研究所采用[6,7];二二改变算法的拓扑结构,例如,Zheng 等人[8]提出了3种不同的局部拓扑BBO 算法,使算法中的迁移只能在相邻区域发生,从而降低计算复杂度,
万方数据