生物地理學是生物學和地理學間的邊緣學科。研究生物在時間和空間上分布的一門學科。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。關于生物地理學的教學論文有很多，本文小編給大家推薦了一篇甘肅教育論文范文，主要論述的是改進生物地理學算法的辨識模型設計。

　　摘要：非線性系統通常會在工業生產過程中較多地存在著，如在過程控制、冶金反應等過程中就很常見，所以相關人員對非線性系統進行建模與辨識有著重要的現實意義。根據當前非線性模型的發展情況可知，其經常用到的有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來進行討論。

　　關鍵詞：改進,生物地理學算法,模型設計

　　受到生物地理學啟發，生物地理學優化算法(Biogeography-Based Optimization，BBO)也開始成為了一種對Hammerstein模型進行辨識的新的進化算法。很多學者都參與到這項的研究中來，并且通過研究證明這種算法有著很大的優勢，在眾多的有或無約束的基準測試函數中都有著良好的表現，而且這種BBO的算法也有著很強的實用性和使用范圍，如在多目標發電調度、衛星圖像分類、傳感器選擇等實際應用的方面都發揮著重要的作用，因此鑒于以上它的優勢，這項技術也已經得到了廣泛的應用。

　　1. 生物地理學優化算法概述

　　生物地理學優化算法(Biogeography-Based Optimization，BBO)的最早提出是在2008年的IEEE上被Dan Simon提出的，這種新的智能優化算法是在生物地理學的啟發下被提出的，它實現了在問題優化的研究領域將生物地理學的理論引入其中，其主要的思想基礎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。即是在一個區域內，各個生物棲息地的適宜度指數(habitat suitability index，HSI)都是不同的，如果一個生物棲息地非常適合生物的居住，那么它的HSI就會比較高，影響該指數的自然環境因素主要有濕度、溫度、降水等。因為各個棲息地在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，如果當此棲息地一直維持著較低的HSI水平，突然自然災害的來襲很可能造成棲息地物種的滅絕，而大量物種也會在此之后遷入其中。由以上可以看出，物種數量和HSI之間呈現出正相關的關系，并且物種的遷徙對于一個棲息地HSI的提高有著重要的促進作用，在這個過程中物種的遷徙實現了一種動態的平衡。高HSI的棲息地會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，從而使得整個低HSI棲息地的物種適應度和其HSI逐漸地在提高了，并在此影響下改善著這一地區的SIV和生物多樣性。BBO算法就是在這一思想的基礎上被提出來的，它通過物種遷徙和突變操作實現了信息不斷地更新和共享，從而獲得全局最優解。

　　2. 改進BBO算法辨識Hammerstein模型設計

　　根據復雜非線性遷移模型更優的效果我們選擇使用余弦遷移模型;根據高HSI棲息地中主導部分遷移算子能夠產生最好的優化結果，以及為增強算法的收斂性目的，我們選擇采用加權因子的混合遷移算子;為了防止BBO算法中的“早熟”而導致產生局部最優的現象，我們選擇基于柯西變異算子對BBO算法進行優化。通過這三種方法改進了基本生物地理學算法，促進了全局最優解的實現。

　　Hammerstein模型的組成是包括了一個線性動態模塊和一個非線性塊，它們之間是串聯的關系，Hammerstein模型可以很好地描述熱交換器、牽張反射系統、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采用了很多的方法，諸如神經網絡、最小二乘法、傳統迭代法等等，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迭代法等方法對Hammerstein模型進行辨識中的缺點，在此筆者就提出了一種通過改進BBO算法而對Hammerstein模型進行辨識的設計，在這個設計中的關鍵就是要用參數空間中的函數優化來代替參數辨識問題。

　　在對Hammerstein模型進行辨識的時，一組合適的參數是非常重要的，其重點是要考慮使參數模型與原模型輸出的偏差的平方和最小，在這個過程中解決非線性極小值優化的問題就代替了Hammerstein模型中參數的辨識問題。而將改進后的BBO算法應用到Hammerstein模型的辨識問題中去就是要用SIV來當做問題的解集，也就是等待辨識的參數，而將BBO中的HSI作為優化問題的適應度函數，而根據上文我們可知，在這個過程中，HSI實際上就是SIV優劣的尺度，好的SIV對應較高的HSI。

　　首先，在對BBO中參數進行初始化的過程中，包括了最大物種數、最大迭代數、優化問題的維度、以及棲息地數量;其次，將一個辨識參數向量對應棲息地中的一個適宜度向量，并在棲息地維數、規模的基礎上對每個棲息地的適宜度向量進行初始化;再次，將某一棲息地的適宜度通過適應度函數得出，并將該棲息地的物種數量進行統計，以及計算出該地的遷出率、遷入率;之后，在上文中我們對我們對于BBO算法改進中的混合遷移操作進行遷移，然后調棲息地的SIV，并將棲息地的參數空間更新;然后，將每個棲息地中的突變率和種群數量計算出來，在基礎上進行突變操作，并將氣息地的參數空間再次更新;指導預先設定的最大迭代次數已經達到，則算法終止，之后就可以獲得參數最優估計值和最優函數值。

　　綜上，筆者利用加權因子和柯西變異等方法改進了BBO算法，從而實現了該算法在收斂速度和搜索能力的改進，然后通過改進后的BBO算法進行了辨識Hammerstein模型設計，從而幫助獲得了參數的最優估計，希望能為此領域的研究人員提供有益的啟發。

　　[參考文獻]

　　[1]李翔碩，王淳. 基于生物地理學優化算法的輸電網絡規劃[J]. 電網技術. 2013(02).

　　[2]陳道君，龔慶武，喬卉，趙簡. 采用改進生物地理學算法的風電并網電力系統多目標發電調度[J]. 中國電機工程學報. 2012(31).

　　[3]紀潔，顧偉，張松勇. 一種新型生物地理學智能優化算法及其比較研究[J]. 上海電力學院學報. 2012(01).

　　教育論文發表期刊推薦《教育學文摘》雜志創刊于1986年,系國家級教育類學術期刊、遴選核心期刊，精選摘編有關教育理論研究和學校改革實踐方面的優秀文章，由教育部主管，中國人民大學主辦，面向國內外公開發行，本刊已被中國學術期刊網全文收錄，本刊所刊載的文章是中、高級職稱的評審、評職評優的最佳參考依據。