优化算法的2个影响参数

BBO优化算法的性能受很多参数影响，其中最为关键的影响参数是种群大小s和突变率m．(1)种群大小种群数量的增加将导致最优解的可能性多样化，扩大搜索空间．一方面，虽然种群数量越大，可以增加搜索空间，以便有更好的探索区域，但当种群数量过大时(s=100或200)，则会大大降低找到最优解的搜索方向的概率，从而降低算法的收敛速度．另一方面，当种群规模过小时(s=20)，该算法又缺乏多样性，使其很容易陷入局部极小．因此，适度的种群规模是最好的获得全局最优解的关键参数之一．经过多次的仿真后(s=20，50，100，200)，可以得出本仿真中所设置的种群大小s=50是合适的．(2)突变率在具体问题中选择最优突变率是比较困难的，因为并没有具体的规则可以参考．本文选择了3种突变率，m=0．1，0．01，0．001，仿真结果表明突变有助于增加多样性，并增加最优解的变化，但较高的突变率(m=0．1)会导致太多的搜索，不利于候选最优解中的改善．当突变率从0．1下降至0．01，其优化性能大大增加，但当突变率继续下降至0．001时，优化能力又迅速下降．因此，一个过小的突变率不能充分提高解决方案的多样性．本文选择的突变率m=0．01．

结语

本文介绍了一种新的生物地理学优化算法(BBO)，并将BBO算法应用于基准函数测试中，结果显示BBO算法与其他智能优化算法的性能表现同样优秀．虽然不能断定BBO算法比其他算法的性能表现普遍优越，或不如其他的优化算法，但是它在各基准函数测试中的优越性能表现足以证明BBO算法可以在实际问题中加以应用，BBO算法的性能可在各种工程问题中逐步得到确认．当然，BBO算法仍有许多需要改进之处．例如，可从生物地理学其他方面进一步得到启发来修改迁移模型，寻求BBO算法的最佳性能;可将BBO算法与其他智能优化算法的特征合并，提高BBO算法的优化性能;还可将其他优化算法与BBO算法混合，得到更好的优化算法，用于解决实际的优化问题和各种不同的复杂工程问题。

地理学算法流程及对比诌议就为朋友们整理到此，希望可以帮到朋友们！ 

相关推荐：浅析地理美育的作用与渗透‍

地理概念教学中能力培养的重要意义