论文部分内容阅读
智能优化算法在近几十年的研究中得以快速发展，其全局探索能力和局部挖掘能力一直是学者们致力追求的两个关键问题。在群体智能优化算法中，生物地理学算法的收敛速度较快，这得益于算法对种群（即解）所定义的变换形式。这种变换形式加快了算法的收敛速度，但与此同时也弱化了算法的全局探索能力。针对这一点，本文对生物地理学算法进行了改进优化。研究过程中同时发现，在工业领域中很少会应用生物地理学算法进行目标寻优，针对这一点，本文将生物地理学算法应用于非线性系统辨识领域，使用智能优化算法计算匹配模型参数，得到了很好的效果。本文的创新点主要有以下几点: 1.本文针对生物地理学算法的全局搜索能力进行改进与优化。算法的搜索能力不强是因为其在迭代后期容易陷入局部最优解，本文基于生物地理学算法提出了MBBO算法，对算法的突变操作进行了补充定义，使MBBO算法随迭代次数的增加可以逐渐增大其跳出局部最优解的概率。利用仿真实验对MBBO算法进行验证，结果表明改进策略有较大的优化效果。 2.本文针对MBBO算法的局部挖掘能力进行改进与优化。MBBO算法保持了生物地理学算法前期的寻优速度，在算法后期强化了全局寻优效果，这就导致了其收敛速度的小幅度增加。对此，本文加大了算法对已有解集信息的利用，提出自适应BBO算法，使算法参数可以跟随解集收敛状态进行自适应的参数调整，以更好地指导解集的寻优方向。 3.为加强智能优化算法在工业领域的应用，本文使用多种算法在非线性系统辨识上进行仿真建模。本文选择Hammerstein模型和Wiener模型作为实验的模型框架，并在模型中加入了重尾噪声，在对重尾噪声进行简单的预处理后，使用智能优化算法对模型参数进行寻优操作。实验结果表明此方法所得的模型精度较高，切实可行。