论文部分内容阅读
近年来,基于进化计算的智能优化算法受到了学术界越来越广泛的关注,原因在于智能优化算法可以解决大量传统数学方法不能解决的实际优化问题。经过人们的大量研究和尝试,至今智能优化算法已成功地应用于科学研究和生产实践的诸多领域并取得了显著的效益。随着智能算法优越性的逐渐显现,大量启发式进化优化算法相继出现,并且一种经典算法的提出往往伴随着大量基于该算法的改进算法的涌现,目的是提高其优化搜索性能从而更有效地解决某一具体优化问题。算法的改进有多种模式,包括优化算法参数,变更种群搜索策略等。然而,一种优化算法的优化能力毕竟是有限的,因此将不同优化算法按照某种方式融合起来构成混合优化算法成了研究的热门。混合优化算法可以结合不同优化算法的特点,在搜索能力和优化性能上相比单一算法具有明显优势。本文着眼于一种新颖的启发式进化优化算法:生物地理学优化(BBO)和一种经典的群智能优化算法:粒子群优化(PSO),在充分分析两种算法搜索机理和信息流动机制的基础上,提出了一种融合二者优势的混合优化算法:BBO-PSO算法。该算法在结合BBO和PSO各自优点的基础上,不仅能较好地协调局部搜索和全局搜索,还能在一定程度上平衡算法“探索”和“开发”的矛盾。本文首先在经典测试函数上对其进行了优化性能测试,仿真结果表明,BBO-PSO具有较强的优化搜索能力,较好的稳定性和较高的计算效率。为探索该算法在实际问题中的应用,本文又将其应用于二维IIR数字滤波器的设计。我们首先将二维数字滤波器的设计问题转化为一个单目标约束优化问题并建立相关数学模型,然后应用BBO-PSO算法解决该优化问题,仿真结果表明BBO-PSO相比现有其它优化算法在该问题上有更好的设计效果,说明其具有较好的应用潜能。文章最后又提出了一种改进的IBBO-PSO算法以进一步提高BBO-PSO的运算效率和寻优能力。