奉行卓越设计
打造国际品质

目录

一、算法原理：

1.迁移：

2.变异

二、算法流程：

三、matlab代码解读：

三、算法改进思路：

四、算法应用：

四、算法应用：

参考文献

---

---

生物地理学优化算法（Biogeography-based optimization）是Dan Simon 教授在2008年提出来的。生物地理学优化算法是受生物地理学原理启发，可以理解为大自然通过物种在地理区域间迁移和漂流，最终达到一种平衡态；这里的物种信息就是优化问题的决策变量。与其他基于种群的优化算法一样，BBO算法也是通过对物种信息的迁移和变异操作的迭代，每一代筛选最适应度值最有的个体作为全局最优值，通过种群的迭代和评估，最终得到最优个体。

原始论文下链链接:

https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=4475427

BBO算法的基本思想来源于生物地理学理论。如图1所示，生物物种生活在多个栖息地（Habitat）上，每个栖息地用栖息适宜指数（Habitat Suitability Index，HSI）表示，与HSI相关的因素有降雨量、植被多样性、地貌特征、土地面积、温度和湿度等，将其称为适宜指数变量（Suitability Index Variables，SIV）
?

生物地理学优化算法的解的更新机制主要依赖两种操作：迁移和变异。其原理就是受生物地理学启发得到的。

首先是物种迁移，物种的迁移是有物理模型的，当然这种模型也是统计模型，但是道理是一样的。比如线性模型、余弦模型、二次模型、指数模型。

为了增加算法的多样性，引入了变异操作；变异操作就和遗传算法中的一样，但是要根据公式来的。

BBO算法的具体流程为：
step1. 初始化BBO算法参数，包括栖息地数量N 、迁入率最大值I 和迁出率最大值E、最大突变率 等参数。
step2. 初始化栖息地，也就是解的初始化，对每个栖息地及物种进行随机或者启发式初始化。
step3. 计算每个栖息地的适宜指数HSI（也就是目标函数的适应度值）；

step4.判断是否达到迭代停止条件，如果满足就停止迭代，输出最优解，否则转step5。
step5. 对所有的栖息地执行迁移操作，对每个栖息地计算其迁入率和迁出率，对SIV进行修改，重新计算适宜指数HSI。
step6. 对所有栖息地执行突变操作，根据突变算子更新栖息地物种，重新计算适宜指数HSI。
step7. 转到步骤3进行下一次迭代。

算法参数初始化：

GetSpeciesCounts函数：?

代码运行结果：?

迭代收敛曲线：?

完成代码可以私信获取。

1.与其他算法（如遗传算法、差分进化、灰狼等算法）的结合；

2.引入其他变异、交叉算子；

3.改进迁移和变异的公式；

BBO算法具有诸多优点，提出以来被应用于诸多应用，除了基本的测试函数，参数辨识应用外，主要有：

1.基于BBO算法图像分割中的应用；

2.基于BBO算法的PID参数整定中的应用；

3.基于BBO算法的交通规划中的应用研究；

4.基于BBO算法的动态车间调度中的应用研究；

5.基于BBO算法神经网络（BP）、SVM参数（结构）优化

6.基于BBO算法的无线传感器网WSN覆盖问题

7.基于BBO算法的医院管理资源调度研究（代码）

基于生物地理信息的多目标进化算法

🍞正在为您运送作品详情

[1] Simon D.Biogeography-based optimization[J].IEEE Trans-actions on Evolutionary Computation，2008（6）：702-713.

[2]徐志丹, 莫宏伟. 基于生物地理信息的多目标进化算法[J]. ?2010.

---