生物地理学是生物学和地理学间的边缘学科。研究生物在时间和空间上分布的一门学科。即生物群落及其组成成分，它们在地球表面的分布情况和及形成原因。关于生物地理学的教学论文有很多，本文小编给大家推荐了一篇甘肃教育论文范文，主要论述的是改进生物地理学算法的辨识模型设计。
摘要：非线性系统通常会在工业生产过程中较多地存在着，如在过程控制、冶金反应等过程中就很常见，所以相关人员对非线性系统进行建模与辨识有着重要的现实意义。根据当前非线性模型的发展情况可知，其经常用到的有Wiener、Volterra、Vammerstein和Hammerstein-Wiener模型，在这四种常用的非线性模型中，笔者在此就选择hammerstein来进行讨论。
关键词：改进,生物地理学算法,模型设计
受到生物地理学启发，生物地理学优化算法(Biogeography-Based Optimization，BBO)也开始成为了一种对Hammerstein模型进行辨识的新的进化算法。很多学者都参与到这项的研究中来，并且通过研究证明这种算法有着很大的优势，在众多的有或无约束的基准测试函数中都有着良好的表现，而且这种BBO的算法也有着很强的实用性和使用范围，如在多目标发电调度、卫星图像分类、传感器选择等实际应用的方面都发挥着重要的作用，因此鉴于以上它的优势，这项技术也已经得到了广泛的应用。
1. 生物地理学优化算法概述
生物地理学优化算法(Biogeography-Based Optimization，BBO)的最早提出是在2008年的IEEE上被Dan Simon提出的，这种新的智能优化算法是在生物地理学的启发下被提出的，它实现了在问题优化的研究领域将生物地理学的理论引入其中，其主要的思想基础就是物种在栖息地之间迁移的过程中信息的流通和分享问题。即是在一个区域内，各个生物栖息地的适宜度指数(habitat suitability index，HSI)都是不同的，如果一个生物栖息地非常适合生物的居住，那么它的HSI就会比较高，影响该指数的自然环境因素主要有湿度、温度、降水等。因为各个栖息地在HSI的高低不同，所以其在物种的容纳能力方面也有差异，这样在一定程度上影响到了物种在不同栖息地之间的迁移状况，通常情况下，HSI较高的气息地由于生存空间饱和等会促使较多的物种迁移至相邻的栖息地，且物种的迁入较少;HSI较低的栖息地有着较少的物种，也就会使得大量物种的迁入成为了可能，且物种的迁出也较少，如果当此栖息地一直维持着较低的HSI水平，突然自然灾害的来袭很可能造成栖息地物种的灭绝，而大量物种也会在此之后迁入其中。由以上可以看出，物种数量和HSI之间呈现出正相关的关系，并且物种的迁徙对于一个栖息地HSI的提高有着重要的促进作用，在这个过程中物种的迁徙实现了一种动态的平衡。高HSI的栖息地会在物种的迁徙过程中影响到低HSI栖息地，使得低HSI栖息地的物种也从高HSI栖息地迁徙过来的物种中获得了新的特性，从而使得整个低HSI栖息地的物种适应度和其HSI逐渐地在提高了，并在此影响下改善着这一地区的SIV和生物多样性。BBO算法就是在这一思想的基础上被提出来的，它通过物种迁徙和突变操作实现了信息不断地更新和共享，从而获得全局最优解。
2. 改进BBO算法辨识Hammerstein模型设计
根据复杂非线性迁移模型更优的效果我们选择使用余弦迁移模型;根据高HSI栖息地中主导部分迁移算子能够产生最好的优化结果，以及为增强算法的收敛性目的，我们选择采用加权因子的混合迁移算子;为了防止BBO算法中的“早熟”而导致产生局部最优的现象，我们选择基于柯西变异算子对BBO算法进行优化。通过这三种方法改进了基本生物地理学算法，促进了全局最优解的实现。
Hammerstein模型的组成是包括了一个线性动态模块和一个非线性块，它们之间是串联的关系，Hammerstein模型可以很好地描述热交换器、牵张反射系统、ph中和过程以及蒸馏塔等。鉴于其良好的使用效果，很多研究者也对该模型的辨识采用了很多的方法，诸如神经网络、最小二乘法、传统迭代法等等，尽管方法多样，但是效果差、精度低都是以上方法的劣势。针对上述我们提到的传统迭代法等方法对Hammerstein模型进行辨识中的缺点，在此笔者就提出了一种通过改进BBO算法而对Hammerstein模型进行辨识的设计，在这个设计中的关键就是要用参数空间中的函数优化来代替参数辨识问题。
在对Hammerstein模型进行辨识的时，一组合适的参数是非常重要的，其重点是要考虑使参数模型与原模型输出的偏差的平方和最小，在这个过程中解决非线性极小值优化的问题就代替了Hammerstein模型中参数的辨识问题。而将改进后的BBO算法应用到Hammerstein模型的辨识问题中去就是要用SIV来当做问题的解集，也就是等待辨识的参数，而将BBO中的HSI作为优化问题的适应度函数，而根据上文我们可知，在这个过程中，HSI实际上就是SIV优劣的尺度，好的SIV对应较高的HSI。
首先，在对BBO中参数进行初始化的过程中，包括了最大物种数、最大迭代数、优化问题的维度、以及栖息地数量;其次，将一个辨识参数向量对应栖息地中的一个适宜度向量，并在栖息地维数、规模的基础上对每个栖息地的适宜度向量进行初始化;再次，将某一栖息地的适宜度通过适应度函数得出，并将该栖息地的物种数量进行统计，以及计算出该地的迁出率、迁入率;之后，在上文中我们对我们对于BBO算法改进中的混合迁移操作进行迁移，然后调栖息地的SIV，并将栖息地的参数空间更新;然后，将每个栖息地中的突变率和种群数量计算出来，在基础上进行突变操作，并将气息地的参数空间再次更新;指导预先设定的最大迭代次数已经达到，则算法终止，之后就可以获得参数最优估计值和最优函数值。
综上，笔者利用加权因子和柯西变异等方法改进了BBO算法，从而实现了该算法在收敛速度和搜索能力的改进，然后通过改进后的BBO算法进行了辨识Hammerstein模型设计，从而帮助获得了参数的最优估计，希望能为此领域的研究人员提供有益的启发。
[参考文献]
[1]李翔硕，王淳. 基于生物地理学优化算法的输电网络规划[J]. 电网技术. 2013(02).
[2]陈道君，龚庆武，乔卉，赵简. 采用改进生物地理学算法的风电并网电力系统多目标发电调度[J]. 中国电机工程学报. 2012(31).
[3]纪洁，顾伟，张松勇. 一种新型生物地理学智能优化算法及其比较研究[J]. 上海电力学院学报. 2012(01).
教育论文发表期刊推荐《教育学文摘》杂志创刊于1986年,系国家级教育类学术期刊、遴选核心期刊，精选摘编有关教育理论研究和学校改革实践方面的优秀文章，由教育部主管，中国人民大学主办，面向国内外公开发行，本刊已被中国学术期刊网全文收录，本刊所刊载的文章是中、高级职称的评审、评职评优的最佳参考依据。
