生物地理学优化算法(Biogeography-based optimization,简称BBO)是近年来提出的一种新型进化算法,广泛应用于数值计算、经济预测和环境监控等领域,是国内外研究的重要方向。该算法是模拟自然界的进化规律而提出的优化算法,相比于传统优化算法,BBO对优化函数的连续、可微等性质要求较少,算法结构简单、易于实现,而且在组合优化、约束优化等领域中表现出色。本文在分析BBO算法基本原理的基础之上,针对生物地理学优化算法的物种迁移、变异等行为具有的多样性和特殊性,给出了改进的BBO算法以及与BP神经网络相结合的算法,主要研究工作包括:(1)以动态模式修正迁移算子,给出改进的DEBBO算法。在DEBBO算法中引入动态因子F,对算法的迁移算子进行动态调节,增大算法的搜索空间;并且在选取随机数值时,运用了聚类分析方法对随机数实行聚类操作,筛选的数据作为DEBBO算法每次迭代的基础数据,数值实验结果表明,该改进算法具有更好的准确率。(2)以改进的DEBBO算法解决应急服务设施的选址问题。算法从应急点的具体情况出发,建立以总体满意度为目标的模型,并与其它算法进行精度和收敛性的对比。(3)以BBO算法对BP神经网络的初始权值和阈值进行优化,给出基于BBO算法的优化BP神经网络算法。针对BP神经网络存在易陷入局部最小值、收敛速度慢等问题,使用BBO算法对初始过程进行处理,提高BP神经网络整体处理能力。选取某市近年房价及其主要影响因素作为实验数据,分别使用传统的BP神经网络和经过BBO算法优化后的BP神经网络进行训练和仿真实验,结果表明,经过BBO算法优化后的BP神经网络预测模型能够加快神经网络的收敛速度,提高房价的预测精度。