生物地理學(xué)是生物學(xué)和地理學(xué)間的邊緣學(xué)科。研究生物在時(shí)間和空間上分布的一門學(xué)科。即生物群落及其組成成分，它們在地球表面的分布情況和及形成原因。關(guān)于生物地理學(xué)的教學(xué)論文有很多，本文小編給大家推薦了一篇甘肅教育論文范文，主要論述的是改進(jìn)生物地理學(xué)算法的辨識(shí)模型設(shè)計(jì)。

　　摘要：非線性系統(tǒng)通常會(huì)在工業(yè)生產(chǎn)過程中較多地存在著，如在過程控制、冶金反應(yīng)等過程中就很常見，所以相關(guān)人員對非線性系統(tǒng)進(jìn)行建模與辨識(shí)有著重要的現(xiàn)實(shí)意義。根據(jù)當(dāng)前非線性模型的發(fā)展情況可知，其經(jīng)常用到的有Wiener、Volterra、Vammerstein和Hammerstein-Wiener模型，在這四種常用的非線性模型中，筆者在此就選擇hammerstein來進(jìn)行討論。

　　關(guān)鍵詞：改進(jìn),生物地理學(xué)算法,模型設(shè)計(jì)

　　受到生物地理學(xué)啟發(fā)，生物地理學(xué)優(yōu)化算法(Biogeography-Based Optimization，BBO)也開始成為了一種對Hammerstein模型進(jìn)行辨識(shí)的新的進(jìn)化算法。很多學(xué)者都參與到這項(xiàng)的研究中來，并且通過研究證明這種算法有著很大的優(yōu)勢，在眾多的有或無約束的基準(zhǔn)測試函數(shù)中都有著良好的表現(xiàn)，而且這種BBO的算法也有著很強(qiáng)的實(shí)用性和使用范圍，如在多目標(biāo)發(fā)電調(diào)度、衛(wèi)星圖像分類、傳感器選擇等實(shí)際應(yīng)用的方面都發(fā)揮著重要的作用，因此鑒于以上它的優(yōu)勢，這項(xiàng)技術(shù)也已經(jīng)得到了廣泛的應(yīng)用。

　　1. 生物地理學(xué)優(yōu)化算法概述

　　生物地理學(xué)優(yōu)化算法(Biogeography-Based Optimization，BBO)的最早提出是在2008年的IEEE上被Dan Simon提出的，這種新的智能優(yōu)化算法是在生物地理學(xué)的啟發(fā)下被提出的，它實(shí)現(xiàn)了在問題優(yōu)化的研究領(lǐng)域?qū)⑸�物地理學(xué)的理論引入其中，其主要的思想基礎(chǔ)就是物種在棲息地之間遷移的過程中信息的流通和分享問題。即是在一個(gè)區(qū)域內(nèi)，各個(gè)生物棲息地的適宜度指數(shù)(habitat suitability index，HSI)都是不同的，如果一個(gè)生物棲息地非常適合生物的居住，那么它的HSI就會(huì)比較高，影響該指數(shù)的自然環(huán)境因素主要有濕度、溫度、降水等。因?yàn)楦鱾�(gè)棲息地在HSI的高低不同，所以其在物種的容納能力方面也有差異，這樣在一定程度上影響到了物種在不同棲息地之間的遷移狀況，通常情況下，HSI較高的氣息地由于生存空間飽和等會(huì)促使較多的物種遷移至相鄰的棲息地，且物種的遷入較少;HSI較低的棲息地有著較少的物種，也就會(huì)使得大量物種的遷入成為了可能，且物種的遷出也較少，如果當(dāng)此棲息地一直維持著較低的HSI水平，突然自然災(zāi)害的來襲很可能造成棲息地物種的滅絕，而大量物種也會(huì)在此之后遷入其中。由以上可以看出，物種數(shù)量和HSI之間呈現(xiàn)出正相關(guān)的關(guān)系，并且物種的遷徙對于一個(gè)棲息地HSI的提高有著重要的促進(jìn)作用，在這個(gè)過程中物種的遷徙實(shí)現(xiàn)了一種動(dòng)態(tài)的平衡。高HSI的棲息地會(huì)在物種的遷徙過程中影響到低HSI棲息地，使得低HSI棲息地的物種也從高HSI棲息地遷徙過來的物種中獲得了新的特性，從而使得整個(gè)低HSI棲息地的物種適應(yīng)度和其HSI逐漸地在提高了，并在此影響下改善著這一地區(qū)的SIV和生物多樣性。BBO算法就是在這一思想的基礎(chǔ)上被提出來的，它通過物種遷徙和突變操作實(shí)現(xiàn)了信息不斷地更新和共享，從而獲得全局最優(yōu)解。

　　2. 改進(jìn)BBO算法辨識(shí)Hammerstein模型設(shè)計(jì)

　　根據(jù)復(fù)雜非線性遷移模型更優(yōu)的效果我們選擇使用余弦遷移模型;根據(jù)高HSI棲息地中主導(dǎo)部分遷移算子能夠產(chǎn)生最好的優(yōu)化結(jié)果，以及為增強(qiáng)算法的收斂性目的，我們選擇采用加權(quán)因子的混合遷移算子;為了防止BBO算法中的“早熟”而導(dǎo)致產(chǎn)生局部最優(yōu)的現(xiàn)象，我們選擇基于柯西變異算子對BBO算法進(jìn)行優(yōu)化。通過這三種方法改進(jìn)了基本生物地理學(xué)算法，促進(jìn)了全局最優(yōu)解的實(shí)現(xiàn)。

　　Hammerstein模型的組成是包括了一個(gè)線性動(dòng)態(tài)模塊和一個(gè)非線性塊，它們之間是串聯(lián)的關(guān)系，Hammerstein模型可以很好地描述熱交換器、牽張反射系統(tǒng)、ph中和過程以及蒸餾塔等。鑒于其良好的使用效果，很多研究者也對該模型的辨識(shí)采用了很多的方法，諸如神經(jīng)網(wǎng)絡(luò)、最小二乘法、傳統(tǒng)迭代法等等，盡管方法多樣，但是效果差、精度低都是以上方法的劣勢。針對上述我們提到的傳統(tǒng)迭代法等方法對Hammerstein模型進(jìn)行辨識(shí)中的缺點(diǎn)，在此筆者就提出了一種通過改進(jìn)BBO算法而對Hammerstein模型進(jìn)行辨識(shí)的設(shè)計(jì)，在這個(gè)設(shè)計(jì)中的關(guān)鍵就是要用參數(shù)空間中的函數(shù)優(yōu)化來代替參數(shù)辨識(shí)問題。

　　在對Hammerstein模型進(jìn)行辨識(shí)的時(shí)，一組合適的參數(shù)是非常重要的，其重點(diǎn)是要考慮使參數(shù)模型與原模型輸出的偏差的平方和最小，在這個(gè)過程中解決非線性極小值優(yōu)化的問題就代替了Hammerstein模型中參數(shù)的辨識(shí)問題。而將改進(jìn)后的BBO算法應(yīng)用到Hammerstein模型的辨識(shí)問題中去就是要用SIV來當(dāng)做問題的解集，也就是等待辨識(shí)的參數(shù)，而將BBO中的HSI作為優(yōu)化問題的適應(yīng)度函數(shù)，而根據(jù)上文我們可知，在這個(gè)過程中，HSI實(shí)際上就是SIV優(yōu)劣的尺度，好的SIV對應(yīng)較高的HSI。

　　首先，在對BBO中參數(shù)進(jìn)行初始化的過程中，包括了最大物種數(shù)、最大迭代數(shù)、優(yōu)化問題的維度、以及棲息地?cái)?shù)量;其次，將一個(gè)辨識(shí)參數(shù)向量對應(yīng)棲息地中的一個(gè)適宜度向量，并在棲息地維數(shù)、規(guī)模的基礎(chǔ)上對每個(gè)棲息地的適宜度向量進(jìn)行初始化;再次，將某一棲息地的適宜度通過適應(yīng)度函數(shù)得出，并將該棲息地的物種數(shù)量進(jìn)行統(tǒng)計(jì)，以及計(jì)算出該地的遷出率、遷入率;之后，在上文中我們對我們對于BBO算法改進(jìn)中的混合遷移操作進(jìn)行遷移，然后調(diào)棲息地的SIV，并將棲息地的參數(shù)空間更新;然后，將每個(gè)棲息地中的突變率和種群數(shù)量計(jì)算出來，在基礎(chǔ)上進(jìn)行突變操作，并將氣息地的參數(shù)空間再次更新;指導(dǎo)預(yù)先設(shè)定的最大迭代次數(shù)已經(jīng)達(dá)到，則算法終止，之后就可以獲得參數(shù)最優(yōu)估計(jì)值和最優(yōu)函數(shù)值。

　　綜上，筆者利用加權(quán)因子和柯西變異等方法改進(jìn)了BBO算法，從而實(shí)現(xiàn)了該算法在收斂速度和搜索能力的改進(jìn)，然后通過改進(jìn)后的BBO算法進(jìn)行了辨識(shí)Hammerstein模型設(shè)計(jì)，從而幫助獲得了參數(shù)的最優(yōu)估計(jì)，希望能為此領(lǐng)域的研究人員提供有益的啟發(fā)。

　　[參考文獻(xiàn)]

　　[1]李翔碩，王淳. 基于生物地理學(xué)優(yōu)化算法的輸電網(wǎng)絡(luò)規(guī)劃[J]. 電網(wǎng)技術(shù). 2013(02).

　　[2]陳道君，龔慶武，喬卉，趙簡. 采用改進(jìn)生物地理學(xué)算法的風(fēng)電并網(wǎng)電力系統(tǒng)多目標(biāo)發(fā)電調(diào)度[J]. 中國電機(jī)工程學(xué)報(bào). 2012(31).

　　[3]紀(jì)潔，顧偉，張松勇. 一種新型生物地理學(xué)智能優(yōu)化算法及其比較研究[J]. 上海電力學(xué)院學(xué)報(bào). 2012(01).

　　教育論文發(fā)表期刊推薦《教育學(xué)文摘》雜志創(chuàng)刊于1986年,系國家級(jí)教育類學(xué)術(shù)期刊、遴選核心期刊，精選摘編有關(guān)教育理論研究和學(xué)校改革實(shí)踐方面的優(yōu)秀文章，由教育部主管，中國人民大學(xué)主辦，面向國內(nèi)外公開發(fā)行，本刊已被中國學(xué)術(shù)期刊網(wǎng)全文收錄，本刊所刊載的文章是中、高級(jí)職稱的評審、評職評優(yōu)的最佳參考依據(jù)。