改進生物地理學算法及其在非線性模型辨識中的應用.pdf

1、智能優(yōu)化算法在近幾十年的研究中得以快速發(fā)展，其全局探索能力和局部挖掘能力一直是學者們致力追求的兩個關鍵問題。在群體智能優(yōu)化算法中，生物地理學算法的收斂速度較快，這得益于算法對種群（即解）所定義的變換形式。這種變換形式加快了算法的收斂速度，但與此同時也弱化了算法的全局探索能力。針對這一點，本文對生物地理學算法進行了改進優(yōu)化。研究過程中同時發(fā)現(xiàn)，在工業(yè)領域中很少會應用生物地理學算法進行目標尋優(yōu)，針對這一點，本文將生物地理學算法應用于非線性系

2、統(tǒng)辨識領域，使用智能優(yōu)化算法計算匹配模型參數(shù)，得到了很好的效果。本文的創(chuàng)新點主要有以下幾點:
　　1.本文針對生物地理學算法的全局搜索能力進行改進與優(yōu)化。算法的搜索能力不強是因為其在迭代后期容易陷入局部最優(yōu)解，本文基于生物地理學算法提出了MBBO算法，對算法的突變操作進行了補充定義，使MBBO算法隨迭代次數(shù)的增加可以逐漸增大其跳出局部最優(yōu)解的概率。利用仿真實驗對MBBO算法進行驗證，結果表明改進策略有較大的優(yōu)化效果。
　　2

3、.本文針對MBBO算法的局部挖掘能力進行改進與優(yōu)化。MBBO算法保持了生物地理學算法前期的尋優(yōu)速度，在算法后期強化了全局尋優(yōu)效果，這就導致了其收斂速度的小幅度增加。對此，本文加大了算法對已有解集信息的利用，提出自適應BBO算法，使算法參數(shù)可以跟隨解集收斂狀態(tài)進行自適應的參數(shù)調(diào)整，以更好地指導解集的尋優(yōu)方向。
　　3.為加強智能優(yōu)化算法在工業(yè)領域的應用，本文使用多種算法在非線性系統(tǒng)辨識上進行仿真建模。本文選擇Hammerstein模