生物地理学优化算法中迁移算子的比较

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (25): 61-64.

生物地理学优化算法中迁移算子的比较

吴斌，林锦国，崔志勇

南京工业大学经济与管理学院，南京 210009

出版日期:2012-09-01 发布日期:2012-08-30

Comparative study of migration operator for Biogeography-Based Optimization

WU Bin, LIN Jinguo, CUI Zhiyong

School of Economics & Management, Nanjing University of Technology, Nanjing 210009, China

Online:2012-09-01 Published:2012-08-30

摘要/Abstract

摘要： 生物地理学优化算法（Biogeography-Based Optimization，BBO）是一种模仿物种迁移规律的智能优化算法，其中迁移算子是影响优化效果的关键环节。基于迁移地的选择模式（以迁出率高的栖息地为主导或者以迁入率高的栖息地为主导）和迁移量的规模（单变量和部分变量），提出了BBO算法中可能存在的四种迁移方式。通过对13个经典实例的实验仿真，比较4种迁移算子的优化结果，阐明了产生差异的原因。实验结果表明，迁入主导的部分迁移式算子优化效果最好。

关键词: 生物地理学优化算法, 全局优化, 迁移算子

Abstract: Biogeography-Based Optimization（BBO） algorithm is a new kind of optimization algorithm based on biogeography. It is designed based on the migration strategy of species to solve global optimization problem. The migration and mutation operators play the key role in the BBO. Four migration patterns based on the selection model for the islands（which is guiding high emigration rate or high immigration rate） and the scale of migration（single or part variable） are analyzed and discussed. To compare the performance of the four migration operators, 13 experiments are carried out on a set of well-known benchmark global optimization problems. Simulation results show that the partial immigration strategy outperforms other three operators.

Key words: Biogeography-Based Optimization（BBO）, global optimization, migration operator

吴斌，林锦国，崔志勇. 生物地理学优化算法中迁移算子的比较[J]. 计算机工程与应用, 2012, 48(25): 61-64.

WU Bin, LIN Jinguo, CUI Zhiyong. Comparative study of migration operator for Biogeography-Based Optimization[J]. Computer Engineering and Applications, 2012, 48(25): 61-64.

[1]	方建文，黄钢，曹文明. 笔触风格化技术研究综述[J]. 计算机工程与应用, 2019, 55(9): 33-37.
[2]	连玮. 采用树表示的全局最优形状匹配算法[J]. 计算机工程与应用, 2019, 55(1): 217-225.
[3]	马萍1，2，刘思含3，孙根云1，2，张爱竹1，2，郝艳玲1，2. 基于邻域引力学习的生物地理学优化算法[J]. 计算机工程与应用, 2018, 54(22): 35-41.
[4]	钱武文，柴军瑞，张子映，谈然. 基于反射变异策略的自适应差分进化算法[J]. 计算机工程与应用, 2018, 54(15): 161-168.
[5]	薛印玺，许鸿文，李羚. 基于样本密度的全局优化K均值聚类算法[J]. 计算机工程与应用, 2018, 54(14): 143-147.
[6]	曾辉1，王倩2，夏学文3，4，方霞1，5. 基于自适应多种群的粒子群优化算法[J]. 计算机工程与应用, 2018, 54(10): 59-65.
[7]	刘兵兵1，周伟平1，沈玲2. 灰色线性双层指派问题的智能全局优化方法[J]. 计算机工程与应用, 2016, 52(8): 38-42.
[8]	刘林1，2，郑江1. 改进生物地理学算法求解柔性作业调度问题[J]. 计算机工程与应用, 2016, 52(18): 228-234.
[9]	鲁宇明1，4，王彦超2，刘嘉瑞3，Wu Liu4. 一种改进的生物地理学优化算法[J]. 计算机工程与应用, 2016, 52(17): 146-151.
[10]	张国辉1，聂黎2，张利平3. 生物地理学优化算法理论及其应用研究综述[J]. 计算机工程与应用, 2015, 51(3): 12-17.
[11]	孙士平，吴建军. 直接搜索模拟退火算法的自适应改进[J]. 计算机工程与应用, 2015, 51(23): 31-37.
[12]	季骏，戴月明，吴定会. 内嵌扰动变异的混合蛙跳算法[J]. 计算机工程与应用, 2015, 51(12): 27-30.
[13]	王敏1，2，唐俊3. 基于自适应扰动的粒子群优化算法[J]. 计算机工程与应用, 2014, 50(9): 111-115.
[14]	沈艳，余冬华，王昊雷. 粒子群K-means聚类算法的改进[J]. 计算机工程与应用, 2014, 50(21): 125-128.
[15]	王开荣，冉慧. 求无约束优化问题的无参数填充函数法[J]. 计算机工程与应用, 2014, 50(14): 64-67.