1、生物地理優(yōu)化算法(biogeography-based optimization,簡稱BBO)是一種新型的基于生物地理學的算法。其獨特的機制為智能優(yōu)化算法研究領域注入了新的理念,而且生物地理學眾多的研究成果也為該算法的進一步研究提供深厚的理論基礎。它通過生物地理中的遷移算子來進行各解之間的信息共享,該算法設計了一種基于概率的個體遷移算子,從而實現(xiàn)個體間的信息共享。在BBO中,問題的解決方案表示為群島,通過遷入和遷出進行信息共享,文中介紹

2、了生物地理學的穩(wěn)態(tài)物種數(shù),介紹了BBO中的6種不同的遷移模型。此外對生物地理學優(yōu)化算法的設計原理、算法流程及相應遷移和突變操作進行了詳細介紹,論述了該新型算法與傳統(tǒng)優(yōu)化算法之間的差異以及BBO算法有待解決的問題。實驗通過多個測試函數(shù)驗證其性能,與蟻群算法、遺傳算法、差異進化算法、進化策略、基于群體增量學習算法和StudGA等算法進行比較。實驗數(shù)據(jù)表明,生物地理優(yōu)化算法還有很大的發(fā)展空間,足以與其他算法相競爭。
　　 生物地理優(yōu)化

3、算法的實驗結果表現(xiàn)出解決優(yōu)化問題的能力,借鑒其他算法的特點可以進一步提高它的優(yōu)勢。本文的第二個工作就是加入差異進化的特點,以此提高生物地理優(yōu)化算法的性能。差分進化是一種快速且強勁的全局優(yōu)化的進化算法,針對生物地理優(yōu)化算法本身的不足,本文提出了一種結合差分進化思想的生物地理優(yōu)化算法,即BBODE,用來解決全局數(shù)值優(yōu)化問題。BBODE有效地結合了差分進化的探索能力和生物地理優(yōu)化算法的開采能力,因此它可以生成有希望的候選解。本文用19種不同維

4、數(shù)和多樣復雜的測試函數(shù)來驗證我們提出的算法,實驗結果表明我們的方法切實高效。與基本的差分進化和生物地理優(yōu)化算法對比,從最后解的質量和收斂性的方面來說,BBODE的性能更好,或者至少等同。BBODE的性能遠遠優(yōu)于BBO,與DE比極具競爭性。
　　 移動機器人的路徑規(guī)劃是移動機器人技術研究中關鍵的問題之一。新興的生物地理優(yōu)化算法,還沒有運用到路徑規(guī)劃的領域中。本文將生物地理優(yōu)化算法運用到路徑規(guī)劃研究中,對其規(guī)劃效果進行分析,是本文的