一、生物地理算法简介
1 基本思路
BBO 算法起源于生物地理学，它通过模拟多物种在不同栖息地的分布、迁移、突变等规律求解寻优问题，在多目标规划领域有广泛应用. 栖息地被认为是独立的区域，不同的栖息地拥有不同的适宜指数HSI（Habitat suitability index）。 HSI较高的栖息地物种丰富度较高，随着种群趋于饱和，其迁出率增高，迁入率减少，而HIS较低的栖息地与之相反，迁入率增高，迁出率减少. 当栖息地遭遇灾害或瘟疫等突发事件时，HIS将随之突变，打破动态平衡，为低HIS的栖息地添加了不可预见性，增大了搜索目标解的几率2.2 迁移和突变操作物种的迁移有其具体的物理模型，最常的有线性模型、二次模型、余弦模型等 . 以图 3线性模型为例，当某栖息地物种数目为 0 时迁入率最高，此刻 λ = I,随着迁入物种数目不断增加，受阳光、水、食物等资源限制，迁入率不断降低，迁出率不断增高 . 当栖息地物种数目为 S0时，恰好达到动态平衡，此时迁出率与迁入率相同 . 而栖息地达到饱和状态时，物种数量达到最大值Smax ,此刻不再有物种迁入，迁出率 μ = E.突变操作基于生物地理学统计公式完成：
式中：ms为栖息地发生突变的概率，mmax为最大突变率，用户可自行设定 . ps为栖息地容纳s种物种的概率， pmax代表容纳最大种群的概率。
二、部分源代码
% Biogeography-Based Optimization (BBO) trainer for MLP %
% source codes version 1 %
% %
clc
clear all
% For modifying initial parameters please have a look at init.m file
display('..........................................................................................')
display('BBO is training MLP ...')
display('..........................................................................................')
[cg_curve1,Hamming,best] = BBO(@MLP_Iris, 1, 1, 300); % BBO trainer
Best_W_B(1,:)=best;
display('..........................................................................................')
display('PSO is training MLP ...')
display('..........................................................................................')
[cg_curve2,best]= PSO(@MLP_Iris, 1); % PSO trainer
Best_W_B(2,:)=best;
display('..........................................................................................')
display('GA is training MLP ...')
display('..........................................................................................')
[cg_curve3,best]= GA(@MLP_Iris, 1); % GA trainer
Best_W_B(3,:)=best;
display('..........................................................................................')
display('ACO is training MLP ...')
display('..........................................................................................')
[cg_curve4,best]= ACO(@MLP_Iris, 1); % ACO trainer
Best_W_B(4,:)=best;
display('..........................................................................................')
display('ES is training MLP ...')
display('..........................................................................................')
[cg_curve5,best]= ES(@MLP_Iris, 1); % ES trainer
Best_W_B(5,:)=best;
display('..........................................................................................')
display('PBIL is training MLP ...')
display('..........................................................................................')
[cg_curve6,best]=PBIL(@MLP_Iris, 1); % PBIL trainer
Best_W_B(6,:)=best;
% Calculating classification rates
load iris.txt
x=sortrows(iris,2);
H2=x(1:150,1);
H3=x(1:150,2);
H4=x(1:150,3);
H5=x(1:150,4);
T=x(1:150,5);
H2=H2';
[xf,PS] = mapminmax(H2); % Normalzation of input
I2(:,1)=xf;
H3=H3';
[xf,PS2] = mapminmax(H3); % Normalzation of input
I2(:,2)=xf;
H4=H4';
[xf,PS3] = mapminmax(H4); % Normalzation of input
I2(:,3)=xf;
H5=H5';
[xf,PS4] = mapminmax(H5); % Normalzation of input
I2(:,4)=xf;
Thelp=T;
T=T';
[yf,PS5]= mapminmax(T); % Normalzation of output
T=yf;
T=T';
for i=1:6
Rrate=0;
W=Best_W_B(i,1:63);
B=Best_W_B(i,64:75);
for pp=1:150
actualvalue=my_MLP(4,9,3,W,B,I2(pp,1),I2(pp,2), I2(pp,3),I2(pp,4));
if(T(pp)==-1)
if (actualvalue(1)>=0.95 && actualvalue(2)<0.05 && actualvalue(3)<0.05)
Rrate=Rrate+1;
end
end
if(T(pp)==0)
if (actualvalue(1)<0.05 && actualvalue(2)>=0.95 && actualvalue(3)<0.05)
Rrate=Rrate+1;
end
end
if(T(pp)==1)
if (actualvalue(1)<0.05 && actualvalue(2)<0.05 && actualvalue(3)>=0.95)
Rrate=Rrate+1;
end
end
end
Final_Classification_Rates(1,i)=(Rrate/150)*100;
end
display('--------------------------------------------------------------------------------------------')
display('Classification rate')
display(' BBO PSO GA ACO ES PBIL')
display(Final_Classification_Rates(1:6))
display('--------------------------------------------------------------------------------------------')
figure('Position',[500 500 660 290])
%Draw convergence curves
subplot(1,2,1);
hold on
title('Convergence Curves')
semilogy(cg_curve1,'Color','r')
semilogy(cg_curve2,'Color','k')
semilogy(cg_curve3,'Color','b')
semilogy(cg_curve4,'Color','r')
semilogy(cg_curve5,'Color','g')
semilogy(cg_curve6,'Color','c')
xlabel('Generation');
ylabel('MSE');
axis tight
grid on
box on
legend('BBO','PSO', 'GA', 'ACO', 'ES', 'PBIL')
%Draw classification rates
subplot(1,2,2);
hold on
title('Classification Accuracies')
bar(Final_Classification_Rates)
xlabel('Algorithm');
ylabel('Classification rate (%)');
grid on
box on
set(gca,'XTickLabel',{'BBO','PSO', 'GA', 'ACO', 'ES', 'PBIL'});
三、运行结果
四、matlab版本及参考文献
1 matlab版本 2014a
2 参考文献 [1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016. [2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.
