馬 萍，劉思含，孫根云，張愛(ài)竹 ，郝艷玲

1.中國(guó)石油大學(xué)（華東）地球科學(xué)與技術(shù)學(xué)院，山東 青島 266580

2.青島海洋國(guó)家實(shí)驗(yàn)室 海洋礦產(chǎn)資源評(píng)價(jià)與探測(cè)技術(shù)功能實(shí)驗(yàn)室，山東 青島 266071

3.環(huán)境保護(hù)部衛(wèi)星環(huán)境應(yīng)用中心 國(guó)家環(huán)境保護(hù)衛(wèi)星遙感重點(diǎn)實(shí)驗(yàn)室，北京 100094

1 引言

生物地理學(xué)優(yōu)化算法（Biogeography-Based Optimization，BBO）是Simon[1]于2008年提出的一種新型的元啟發(fā)式算法。該算法受生物地理學(xué)啟發(fā)，通過(guò)模擬生物物種在棲息地之間的遷移、變異和滅絕實(shí)現(xiàn)棲息地之間信息的交流和共享，達(dá)到搜尋問(wèn)題最優(yōu)解的目的[2]。

BBO算法具有操作簡(jiǎn)單、參數(shù)少、收斂快速等優(yōu)點(diǎn)[3]，但是該算法在搜索過(guò)程中容易發(fā)生早熟收斂而陷入局部最優(yōu)[4]。造成這一現(xiàn)象的直接原因是在遷移操作中，棲息地的更新僅僅通過(guò)簡(jiǎn)單的解變量替換的方式進(jìn)行，導(dǎo)致算法開(kāi)采新解的能力較差[4]；同時(shí)，“輪盤(pán)賭”策略選擇的遷出棲息地大部分為優(yōu)秀解，使得種群主要向優(yōu)秀棲息地學(xué)習(xí)，進(jìn)一步加快了種群多樣性的喪失，致使算法陷入停滯狀態(tài)[5]。為解決這一問(wèn)題，研究者們提出了多種改進(jìn)策略。畢曉君等[5]改進(jìn)了BBO算法的遷移操作，采用動(dòng)態(tài)方法選取遷出棲息地，并運(yùn)用一種混合遷移策略指導(dǎo)物種遷移，增強(qiáng)了算法對(duì)解的搜索能力；Boussaid等[6]將DE算法與BBO算法相結(jié)合，提出了雙階段差分生物地理學(xué)優(yōu)化算法，利用DE算法的搜索能力提高了算法的種群多樣性；龔文引等[7]采用了三種變異機(jī)制代替BBO算法的隨機(jī)變異策略，并利用實(shí)數(shù)編碼的形式將算法拓展到了連續(xù)域，有效地提高了BBO算法的全局搜索能力；徐志丹等[8]在BBO算法遷移策略的基礎(chǔ)上提出了擾動(dòng)遷移算子，增強(qiáng)了群體的多樣性，提高了算法解決MOP的能力。這些改進(jìn)策略均在一定程度上提高了BBO算法的優(yōu)化性能，但大部分算法忽略了棲息地之間物種遷移的自然規(guī)律，沒(méi)有充分考慮棲息地之間的距離和適應(yīng)度對(duì)物種遷移的影響。

為解決上述問(wèn)題，本文提出了一種基于鄰域引力學(xué)習(xí)的生物地理學(xué)優(yōu)化算法（Neighbor Force Learning Biogeography-Based Optimization，NFBBO）。新算法采用基于鄰域的選擇策略，使遷入棲息地向其鄰域中最鄰近且優(yōu)秀的棲息地學(xué)習(xí)，充分利用棲息地的鄰域信息，增加種群多樣性。同時(shí)采用引力學(xué)習(xí)的方式對(duì)遷入棲息地進(jìn)行更新，使其解變量的變化受遷出棲息地適應(yīng)度和距離的共同影響，拓展解空間，提高算法的搜索能力。為了使算法更好地跳出局部最優(yōu)，提出了一種自適應(yīng)的高斯變異機(jī)制，通過(guò)10個(gè)具有不同特點(diǎn)的測(cè)試函數(shù)[9-10]進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果表明了本文算法的有效性和優(yōu)越性。

2 背景知識(shí)

2.1 生物地理學(xué)優(yōu)化算法

在自然界中，物種生存在不同的棲息地中，適合物種生存的棲息地具有高的適應(yīng)度指數(shù)（Habitat Suitability Index，HSI）。影響適應(yīng)度指數(shù)的因素，如溫度、雨量和植被的多樣性等稱(chēng)為適應(yīng)度指數(shù)變量（Suitability Index Variable，SIV）。在BBO算法中，每個(gè)棲息地對(duì)應(yīng)一個(gè)優(yōu)化問(wèn)題的候選解其中N是解的個(gè)數(shù)，D是解的維度，評(píng)價(jià)棲息地好壞的適應(yīng)度指數(shù)對(duì)應(yīng)優(yōu)化問(wèn)題的適應(yīng)度函數(shù)。算法中優(yōu)秀的解對(duì)應(yīng)高HSI的棲息地，較差的解對(duì)應(yīng)低HSI的棲息地。根據(jù)生物地理學(xué)理論，HSI值高的棲息地適合居住，物種數(shù)較多且趨于飽和，對(duì)棲息地空間和資源的競(jìng)爭(zhēng)激烈，因此接納新物種遷入的能力較差，具有較高的遷出率和較低的遷入率。相反，HSI值低的棲息地，物種數(shù)量少，因此有很大的空間和資源，具備較高的遷入率和較低的遷出率。棲息地之間物種的遷入和遷出提供了不同棲息地之間信息交流的途徑，較差棲息地可以通過(guò)接受優(yōu)秀棲息地的物種遷移提高自身的質(zhì)量。棲息地Xi的遷入率λi和遷出率μi，可以由以下公式計(jì)算得到：

式中，I和E分別為最大遷入率和遷出率；si為棲息地Xi的物種數(shù)量；smax為每個(gè)棲息地可容納的最大物種數(shù)量。

BBO算法通過(guò)遷移操作實(shí)現(xiàn)棲息地的更新。對(duì)于棲息地Xi的第d維解變量，如果滿足遷入條件，則按照下列方式進(jìn)行遷移操作：（1）通過(guò)“輪盤(pán)賭”策略選取滿足條件的遷出棲息地Xi；（2）用遷出棲息地對(duì)應(yīng)維度的解變量代替原有棲息地的解變量。BBO算法通過(guò)這種解變量替換的方式，使較差棲息地共享優(yōu)秀棲息地的解分量而得到進(jìn)化。

為了增強(qiáng)種群多樣性，使算法跳出局部最優(yōu)，BBO算法在執(zhí)行完遷移操作之后，設(shè)置了一個(gè)變異操作，棲息地的變異概率為：

其中，mmax為初始變異率；Pi為各個(gè)棲息地的物種數(shù)量概率；Pmax為所有物種數(shù)量概率的最大值。

變異操作中，對(duì)于棲息地Xi的第d維解變量，若隨機(jī)產(chǎn)生的[0，1]之間的隨機(jī)數(shù)小于其變異率mi，則采用隨機(jī)變異策略隨機(jī)產(chǎn)生一個(gè)新的解分量代替原解分量。變異算子可以使棲息地的一個(gè)或多個(gè)解分量發(fā)生變化，增加種群的多樣性。BBO算法的詳細(xì)流程介紹見(jiàn)文獻(xiàn)[1]。

2.2 萬(wàn)有引力定律

作為宇宙中四種基本相互作用力之一的萬(wàn)有引力，由Newton于1687年提出[11]。在牛頓萬(wàn)有引力定律中，宇宙空間中任意兩個(gè)物體之間都相互吸引，且引力的大小與它們質(zhì)量的乘積成正比，與它們之間距離的平方成反比[11]，即：

其中，G為萬(wàn)有引力常數(shù)；M1和M2分別為兩個(gè)物體的質(zhì)量；R12為兩個(gè)物體之間的距離。根據(jù)牛頓第二定律，物體1在物體2的萬(wàn)有引力作用下產(chǎn)生的運(yùn)動(dòng)加速度為：

從式（4）中可以看出，萬(wàn)有引力定律反應(yīng)了物體質(zhì)量和距離對(duì)引力影響的規(guī)律：在同等距離下，質(zhì)量大的物體吸引力更大；在質(zhì)量相等的情況下，距離越近的物體受到的引力越大。萬(wàn)有引力定律的這一特性，和自然界中物種遷移規(guī)律有著相同之處，即物種的遷移與棲息地之間距離的遠(yuǎn)近和適應(yīng)度值有關(guān)。因此，本文將引力定律應(yīng)用到BBO算法中，構(gòu)建新的棲息地更新策略，提高算法的搜索能力。

3 生物地理學(xué)優(yōu)化算法

在自然界中，棲息地適應(yīng)度的提高是通過(guò)物種遷移實(shí)現(xiàn)的[1]。物種在不同棲息地之間進(jìn)行遷移時(shí)，需要同時(shí)考慮兩個(gè)因素：棲息地適應(yīng)度和距離。低適應(yīng)度的棲息地通過(guò)接受高適應(yīng)度棲息地的物種遷移提高自身的質(zhì)量。物種遷出棲息地的適應(yīng)度越高，其物種間的競(jìng)爭(zhēng)也就越激烈，導(dǎo)致遷出的物種對(duì)環(huán)境的適應(yīng)能力更強(qiáng)，對(duì)遷入棲息地的影響更大。同時(shí)，根據(jù)地理學(xué)鄰近效應(yīng)原理[12]，棲息地更容易受到鄰近棲息地的影響。這主要是因?yàn)槲锓N會(huì)選擇距離較近的棲息地進(jìn)行遷移，遷移距離越遠(yuǎn)，物種被獵殺的風(fēng)險(xiǎn)也就越高，距離越近，物種保留得越好[13]。因此，在兩個(gè)遷出棲息地適應(yīng)度相同的情況下，遷移距離近的影響大。特別地，當(dāng)棲息地距離較遠(yuǎn)時(shí)，即使是高適應(yīng)度的遷出棲息地，對(duì)遷入棲息地的影響也較小。棲息地之間的這種相互關(guān)系與引力規(guī)律非常類(lèi)似，因而可以利用引力定律來(lái)描述不同物種遷移對(duì)棲息地的影響。

原始BBO算法的遷移操作忽略了上述棲息地之間復(fù)雜的遷移關(guān)系，通過(guò)“輪盤(pán)賭”的策略選擇遷出棲息地，并對(duì)滿足遷入條件的棲息地通過(guò)解變量替換的形式進(jìn)行更新[1]?！拜啽P(pán)賭”策略雖可有效地選取較優(yōu)的棲息地作為遷出棲息地，但是該選擇方式具有一定的隨機(jī)性，忽視了棲息地之間距離和適應(yīng)度對(duì)物種遷移的影響。解向量替換的更新方式使得遷入棲息地完全被動(dòng)地接收遷出棲息地的信息，導(dǎo)致搜索空間不再產(chǎn)生新的變量，僅僅是當(dāng)前所有解變量的組合，棲息地之間迅速趨于相似，種群多樣性降低[4-5]。為了增加算法的種群多樣性，跳出局部最優(yōu)，BBO算法采用隨機(jī)變異策略對(duì)棲息地進(jìn)行變異操作。但是這種變異方式忽略了種群的狀態(tài)信息，對(duì)新解的搜索能力較差，特別是在迭代后期，當(dāng)種群候選解和最優(yōu)解較為接近時(shí)，隨機(jī)變異不僅很難勘探出較優(yōu)解，還容易產(chǎn)生很多較差解，造成計(jì)算資源的浪費(fèi)[5]。

基于以上分析，本文提出一種基于鄰域引力學(xué)習(xí)的遷移算子。在該算子中，對(duì)滿足遷入條件的棲息地采用“適應(yīng)度距離比”的方法從其鄰域中選擇遷出棲息地。同時(shí)，采用引力學(xué)習(xí)的方式對(duì)遷入棲息地進(jìn)行更新，不同物種遷移的影響與距離和適應(yīng)度有關(guān)。在此基礎(chǔ)上，為了彌補(bǔ)BBO算法隨機(jī)變異策略的不足，引入一種自適應(yīng)的高斯變異策略，利用當(dāng)前種群的信息進(jìn)行隨機(jī)擾動(dòng)，并根據(jù)進(jìn)化過(guò)程調(diào)整變異強(qiáng)度，使算法能夠自適應(yīng)地跳出局部最優(yōu)，尋找更優(yōu)解。

3.1 NFBBO遷移策略

其中，棲息地Xi的r個(gè)鄰域是根據(jù)適應(yīng)度值排序之后，依順序在Xi的兩邊選取r/2個(gè)棲息地組成。這樣，遷入棲息地就可以向其鄰域中最鄰近且優(yōu)秀的棲息地學(xué)習(xí)。在選擇出合適的遷出棲息地之后，采用引力學(xué)習(xí)的策略對(duì)遷入棲息地進(jìn)行更新：

其中，rand為[0，1]之間的隨機(jī)數(shù)；M(Xk)為棲息地Xk的質(zhì)量，計(jì)算公式為：

式（7）中A是空間尺度因子，隨著當(dāng)前解空間的擴(kuò)大或縮小而增減，計(jì)算公式為：

其中，Xd(u)和Xd(l)分別是當(dāng)前種群的第d維解變量的最大值和最小值。

NFBBO遷移算子的具體步驟如算法1所示。

算法1 NFBBO遷移算子

1.按照適應(yīng)度值對(duì)棲息地進(jìn)行排序，并劃分鄰域

2.計(jì)算所有粒子的遷入率λ和遷出率μ

4. For d=1 to D do

5. If rand(0,1)＜λi

6. 按照式（6）從Xi的r個(gè)鄰域選擇遷出棲息地Xdk

7. 按照式（7）更新Xdi

8. End If

9. End for

10.End for

中外運(yùn)-敦豪國(guó)際航空快件有限公司近日在其北京總部舉行媒體發(fā)布會(huì)，宣布其珠海口岸正式落成并投入使用，成為落戶(hù)珠?？诎秶?guó)際快遞監(jiān)管中心的首家國(guó)際快遞公司。此外，DHL正式宣布將持續(xù)加大在中國(guó)的戰(zhàn)略投資，對(duì)外公開(kāi)了今年以來(lái)的一系列投資舉措。DHL稱(chēng)，借助港珠澳大橋帶來(lái)的高效物流通道，DHL珠?？诎兜慕⒋蠓嵘榻靼兜貐^(qū)國(guó)際物流的快遞效率。隨著2018年10月24日港珠澳大橋正式通車(chē)，由珠海口岸清關(guān)的國(guó)際快遞轉(zhuǎn)運(yùn)至其香港轉(zhuǎn)運(yùn)中心（DHL全球三大轉(zhuǎn)運(yùn)中心之一）的時(shí)間將從原來(lái)的4小時(shí)縮短為45分鐘，大大提升了轉(zhuǎn)運(yùn)時(shí)效。而這對(duì)于專(zhuān)業(yè)做國(guó)際限時(shí)快遞服務(wù)的DHL來(lái)說(shuō)，尤為重要。

與BBO算法遷移算子不同，NFBBO算法中采用了鄰域選擇策略確定遷出棲息地，充分利用了每個(gè)棲息地鄰域粒子的距離和適應(yīng)度信息，有效避免了“輪盤(pán)賭”策略大概率選擇高適應(yīng)度棲息地所造成的早熟收斂問(wèn)題，增加了算法的種群多樣性，并且適應(yīng)度信息的運(yùn)用保證了算法搜索精度。同時(shí)，引力學(xué)習(xí)的更新策略直接源于基本的萬(wàn)有引力定律，使得遷入棲息地的改變受物種遷移距離和適應(yīng)度的綜合影響，產(chǎn)生了新的解變量，拓展了解空間；空間尺度因子的引入，可以根據(jù)種群的收斂狀態(tài)調(diào)節(jié)引力的大小，提高了算法的搜索能力。

3.2 自適應(yīng)的高斯變異機(jī)制

為了使算法跳出局部最優(yōu)，BBO算法采用了隨機(jī)變異策略。但是該變異策略忽略了種群在不同進(jìn)化過(guò)程中的狀態(tài)差異，搜索新解的能力較差[5]。為了使算法更好地搜索到全局最優(yōu)解，在迭代初期，應(yīng)使種群更大程度地遍布整個(gè)搜索空間，較快地定位最優(yōu)解的范圍；在迭代后期使種群聚集在最優(yōu)值的鄰域范圍內(nèi)，進(jìn)行更精細(xì)的搜索[8]。

基于這一點(diǎn)，本文提出一種自適應(yīng)的高斯變異機(jī)制。與隨機(jī)變異不同，高斯變異是在原解的周?chē)a(chǎn)生一個(gè)服從高斯分布的隨機(jī)擾動(dòng)[14]，公式為：

式中，Gaussian(0 ,σ)是服從均值為0方差為σ的高斯分布隨機(jī)變量。受文獻(xiàn)[15]啟發(fā)，文中方差σ隨著迭代次數(shù)逐漸遞減：

其中，itermax是算法的最大迭代次數(shù)；t是算法的當(dāng)前迭代次數(shù)。在迭代初期，σ值較大，高斯變異可以產(chǎn)生較大的擾動(dòng)步長(zhǎng)，增大算法的搜索范圍；而在迭代后期，σ變小，產(chǎn)生的擾動(dòng)步長(zhǎng)較小，主要在當(dāng)前候選解的局部范圍進(jìn)行精細(xì)搜索。同時(shí)，變異步長(zhǎng)的計(jì)算利用了棲息地信息，因此，高斯變異機(jī)制可以根據(jù)不同棲息地在不同進(jìn)化過(guò)程中的狀態(tài)自適應(yīng)地產(chǎn)生變異粒子，更加高效地搜索新解，跳出局部最優(yōu)。

自適應(yīng)的高斯變異的步驟如算法2所示。

算法2自適應(yīng)的高斯變異

1.計(jì)算所有粒子的變異率m

2.For i=1 to N do

3. For d=1 to D do

4. If mi＞rand

6. End if

7. End for

8.End for

3.3 NFBBO算法流程

基于鄰域引力學(xué)習(xí)的生物地理學(xué)優(yōu)化算法的流程如圖1所示。

圖1 NFBBO算法流程圖

4 實(shí)驗(yàn)結(jié)果與分析

4.1 測(cè)試函數(shù)

為驗(yàn)證算法的有效性，本文采用10個(gè)具有不同特點(diǎn)的測(cè)試函數(shù)進(jìn)行函數(shù)優(yōu)化實(shí)驗(yàn)。測(cè)試函數(shù)的維度D均為30，其表達(dá)式、搜索空間S以及真值o如表1所示。其中F1～F2為經(jīng)典測(cè)試函數(shù)中的單峰函數(shù)[9]，只有一個(gè)最優(yōu)值，可以檢驗(yàn)算法的收斂特性[5]；F3～F5為經(jīng)典測(cè)試函數(shù)中的多峰函數(shù)[9]，含有多個(gè)局部極小值，反映了算法跳出局部最優(yōu)，逼近全局最優(yōu)解的能力[5]；F6～F10為CEC2015旋轉(zhuǎn)平移測(cè)試函數(shù)[10]，其全局最優(yōu)點(diǎn)不再位于搜索空間的中心，且函數(shù)變量之間彼此不相關(guān)，用來(lái)檢驗(yàn)算法解決復(fù)雜優(yōu)化問(wèn)題的能力。

4.2 參數(shù)設(shè)置

本文采用基本的BBO[1]算法以及目前改進(jìn)效果較好的 PBBO[16]算法、DBBO[6]算法和 RCBBO[7]算法作為對(duì)比算法。為了保證對(duì)比實(shí)驗(yàn)的公平性，所有算法的終止條件均設(shè)置為最大適應(yīng)度計(jì)算數(shù)，F(xiàn)Esmax=50 000，種群大小為N=50。同時(shí)為了發(fā)揮各個(gè)對(duì)比算法最優(yōu)的性能，算法的其他參數(shù)都按照原文獻(xiàn)經(jīng)過(guò)測(cè)試后的參數(shù)進(jìn)行設(shè)定。NFBBO算法中最大遷入率E=1，最大遷出率I=1,初始變異率mmax=0.1,鄰域大小

表1 測(cè)試函數(shù)

對(duì)每個(gè)優(yōu)化函數(shù)，每個(gè)算法獨(dú)立運(yùn)行30次，取運(yùn)行結(jié)果的平均值Mean、標(biāo)準(zhǔn)差Std、運(yùn)行時(shí)間runtime[10]進(jìn)行比較。此外，本文采用Wilcoxon秩和檢驗(yàn)法[17]對(duì)不同算法進(jìn)行非參統(tǒng)計(jì)檢驗(yàn)，置信度α=0.05。非參檢驗(yàn)的實(shí)驗(yàn)結(jié)果由“h”表示，其中“+”表示測(cè)試結(jié)果本文算法顯著占優(yōu)，；“-”表示測(cè)試結(jié)果其他算法顯著占優(yōu)；“=”表示測(cè)試結(jié)果不顯著，即本文算法與其他算法所得的結(jié)果無(wú)顯著性差異。

4.3 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)結(jié)果如表2所示，可以看出，NFBBO算法在所有函數(shù)上獲得的Mean值都是最小的，要明顯優(yōu)于其他4種對(duì)比算法，充分表現(xiàn)了本文算法在搜索能力和搜索精度上的優(yōu)越性。這主要是因?yàn)镹FBBO算法遷移操作中的鄰域選擇策略充分利用了棲息地的鄰域信息，增加了種群的多樣性；引力學(xué)習(xí)的更新方式拓展了解空間，提高了搜索能力，其中空間因子的使用還可以調(diào)節(jié)搜索的步長(zhǎng)，更好地找到全局最優(yōu)解的范圍，并在后期進(jìn)行精細(xì)的搜索。對(duì)于含有多個(gè)局部極小值的多峰函數(shù)F3和F5，NFBBO算法的優(yōu)化效果更為顯著，是唯一一個(gè)搜索到真值的算法，而其他算法在這兩個(gè)函數(shù)上的優(yōu)化效果都較差。這表明NFBBO使得種群能夠有效地跳出局部最優(yōu)，收斂到全局最優(yōu)。在處理復(fù)雜的CEC2015測(cè)試函數(shù)時(shí)，5種算法所得到的平均最優(yōu)值結(jié)果都不太理想，這主要是因?yàn)樾D(zhuǎn)平移函數(shù)本身比較復(fù)雜，函數(shù)變量之間不相關(guān)，且真值不在函數(shù)的搜索空間中心處，加大了全局最優(yōu)解的搜索難度。同時(shí)，BBO算法本身不具備旋轉(zhuǎn)不變特性，因此基于BBO改進(jìn)的策略在CEC2015函數(shù)上效果較差。即便如此，相比較于其他4種對(duì)比算法，NFBBO算法的處理效果仍然是最優(yōu)的。這些實(shí)驗(yàn)結(jié)果都證明了本文算法在處理不同特點(diǎn)的函數(shù)優(yōu)化問(wèn)題時(shí)的優(yōu)越性。同時(shí)從表2中各個(gè)算法的“Std”值可以看出，NFBBO算法具有較好的穩(wěn)定性。除了函數(shù)F7和F10，NFBBO算法的標(biāo)準(zhǔn)差在其他8個(gè)測(cè)試函數(shù)的結(jié)果中都是最小的，且效果突出。

對(duì)于算法的搜索效率和收斂速度可以從實(shí)驗(yàn)結(jié)果表2的runtime和收斂特性曲線中得出。由表2可知，NEBBO算法的運(yùn)算時(shí)間在所有單峰函數(shù)和多峰函數(shù)上都是最小的，驗(yàn)證了NEBBO高效的運(yùn)算速度。尤其是在具有一個(gè)局部極值的單峰函數(shù)F2上，NEBBO的運(yùn)算速度明顯優(yōu)于其他對(duì)比算法。圖2給出了5種算法對(duì)部分測(cè)試函數(shù)的收斂特性曲線，圖中分別采用了5種不同的線型表示不同的對(duì)比算法。從圖2中可以看出，NFBBO算法具有優(yōu)良的收斂性能。對(duì)于經(jīng)典的單峰和多峰函數(shù)F1、F2和F5，NFBBO算法在演化的初始階段收斂速度就明顯快于其他4種對(duì)比算法，表現(xiàn)出其優(yōu)越的搜索能力，能迅速找到優(yōu)秀解所在的區(qū)域。同時(shí)，在收斂曲線中，NFBBO算法搜索到的最優(yōu)值也是最小的，具有較高的收斂精度。但是對(duì)一些復(fù)雜的CEC2015測(cè)試函數(shù)，算法的收斂速度有所變慢。對(duì)函數(shù)F6，在演化初期，NFBBO算法收斂曲線的下降速度要慢于PBBO和DBBO，但是隨著迭代的進(jìn)行，NFBBO算法的收斂速度明顯加快，且達(dá)到最好的收斂精度。同樣在函數(shù)F8的演化過(guò)程中，初期階段NFBBO算法收斂速度要慢于其他算法，隨后曲線下降速度加快，當(dāng)其他4種對(duì)比算法的收斂曲線不再變化，陷入局部最優(yōu)時(shí)，NFBBO算法的收斂曲線能夠繼續(xù)下降且收斂到了最好的結(jié)果。與以上CEC2015測(cè)試函數(shù)不同，對(duì)F10，NFBBO算法表現(xiàn)出了明顯的收斂性能優(yōu)勢(shì)，在整個(gè)演化過(guò)程中，NFBBO算法的收斂速度均是最快的且達(dá)到了最好的收斂精度?；谝陨戏治?，可以得出NFBBO算法具有較快的收斂速度，在處理復(fù)雜的函數(shù)問(wèn)題時(shí)，能夠很好地跳出局部最優(yōu)，拓展新的搜索區(qū)域，找到更加優(yōu)秀的解集。

表2 5種算法在不同測(cè)試函數(shù)上的性能對(duì)比

表2統(tǒng)計(jì)了對(duì)比算法之間的非參檢驗(yàn)結(jié)果。從結(jié)果中可以看到，除函數(shù)F6、F7和F8，其他函數(shù)的非參檢驗(yàn)結(jié)果均為“+”，即與其他對(duì)比算法相比，NFBBO算法具有顯著的優(yōu)越性。對(duì)函數(shù)F6和F7，NFBBO算法要顯著優(yōu)于BBO和RCBBO，與PBBO、DBBO算法無(wú)顯著性差異。對(duì)函數(shù)F8，與PBBO算法無(wú)顯著差異，但是要顯著優(yōu)于其他函數(shù)。從整個(gè)非參檢驗(yàn)的結(jié)果可以得出，NFBBO算法與其他優(yōu)化算法相比具有顯著的優(yōu)越性。

5 結(jié)束語(yǔ)

BBO算法具有較快的收斂速度，但其搜索能力較差，容易發(fā)生早熟收斂，陷入局部最優(yōu)。為了克服這一缺點(diǎn)，本文提出一種基于鄰域引力學(xué)習(xí)的遷移算子，該算子采用鄰域選擇策略確定遷出棲息地，并利用引力學(xué)習(xí)的方式對(duì)棲息地進(jìn)行更新，增加了種群多樣性，提高了算法的搜索能力。同時(shí)引入了自適應(yīng)高斯變異機(jī)制，充分利用了當(dāng)前解的信息，使算法能夠自適應(yīng)地跳出局部最優(yōu)。從實(shí)驗(yàn)結(jié)果中可以得出，NFBBO算法不僅收斂速度較其他算法快，而且可以更大程度上逼近全局最優(yōu)解，在收斂速度和收斂精度上較標(biāo)準(zhǔn)BBO算法有較大提高。

圖2 BBO、PBBO、DBBO、RCBBO與NFBBO在部分測(cè)試函數(shù)上的收斂曲線圖