面向动态优化问题的参数自适应及变结构生物地理学优化算法研究

This research focuses on the design of parameter self-adaption and variable structure for Biogeography-based Optimization (BBO) to solve dynamic optimization problems which are complicated and common in real world. In this research, parameters and structures in BBO are to be investigated to reveal their effects to performance by numerical comparison and mathematical analysis. To enhance BBO’s performance in dynamic optimization, parameter self-adaption strategy and a variable structure are proposed. Design of adaption strategy is to enhance BBO’s ability to deal with changes in dynamical environment, while variable structure makes BBO play corresponding roles in different steps of evolutionary process, which take into account both convergence direction and population diversity. To avoid stagnation and premature, population diversity will be evaluated and maintained during the whole optimization process. By employing benchmarks and several practical problems, the proposed algorithm will be tested and the results will be analyzed by statistics. The comparisons between proposed algorithm and other classical evolutionary algorithms will be conducted to improve the designs. The ideas in this research will also provide experiences and inspirations for other evolutionary algorithm in dealing with dynamic optimization problems.

本项目针对在现实世界中普遍存在的且具有高度复杂特征的动态优化问题开展智能生物地理学优化算法(Biogeography-based Optimization, BBO)参数自适应及变结构模式研究。通过比较性数值方法及数学分析手段探究BBO算法在典型动态优化问题中的参数及结构的性能特征，引导设计具有参数自适应及结构自调整能力的智能BBO算法。参数自适应的目的在于使得算法具有环境引导能力的智能优化特征，变结构功能使算法结构的自适应具有引导算法收敛方向及保持种群多样性的能力，对种群多样性进行合理的监控与评估，适时实现种群多样性的保持与恢复，从而保证算法具有高效求解动态优化问题的能力。项目将基于典型动态优化问题开展算法性能的验证，有助于完善算法的优化能力。该设计将为BBO算法及其它进化计算方法的进一步发展提供借鉴和参考。

本课题已经顺利完成预期的研究内容，达到预期研究目标。面向生物地理学优化算法进行综述性分析，总结了当前生物地理学优化算法的研究动态，为该算法的相关后续研究提供借鉴和参考。面向动态优化问题的特征，生物地理学优化算法中的种群多样性保持能力对该算法性能具有重要影响。针对这一具体问题，本项目从算法结构、操作算子、参数设置等方面开展生物地理学优化算法的设计。其中，在算法结构方面，本项目设计了一类超启发式算法，在优化过程中，算法的调度层能够自适应的选用和切换更具有优势的算法，达到变结构效果，发挥不同算法在不同优化阶段的优势；在算法的操作算子方面，研究了生物地理学优化算法中的变异模型和迁移模型，并设计了若干新类型的相关模型，使用马尔科夫方法加以分析，为算法在具体问题中的设计提供诸多帮助；在算法的参数设置方面，本项目面向单目标和多目标两种类型问题，研究了物种迁移率模型设置对优化性能的影响，并得出了两种目标类型环境下，模型参数设置需要分别对待，对于动态环境下的参数选择进行了分析与探索。为了更好地保持种群多样性，本项目分别使用回溯法、种群间距保持方法、群体速度控制方法、多种群方法等用于算法的设计，在种群多样性保持方面获得了良好的效果。在算法应用层面，本项目结合当前社会发展热点，以包括智能制造、新能源车辆网联等背景下的动态优化问题进行算法应用，取得了良好的效果，达到了预期研究目的。此外，在研究过程中，本项目在完成计划书研究内容之外，又根据动态优化问题的特点，面向算法的优化过程分析过程性能，设计了神经网络学习机用于分析包括生物地理学优化算法在内的进化计算方法的优化过程，其研究成果对分析包括动态优化问题在内的多种优化问题具有普适的借鉴意义。