生物地理学优化算法(Biogeography-Based Optimization，BBO)是通过研究生物有机体在空间和时间上的自然活动而构造出的一种优化算法，它属于一类新型群智能优化算法。BBO算法通过独特的迁移算子实现种群内的信息交流，并使用变异算子来增加种群的多样性。两种算子的结合促使算法具有寻优速度快、开发能力强的优点，且算法在解决复杂组合优化问题上优势明显。
　　随着我国航天事业的飞速发展，用户对卫星观测目标的需求也越来越复杂。为了充分利用卫星资源并有效满足用户需求，对多颗卫星任务编排问题的探索具有重要意义。卫星任务编排问题是在充分考虑多颗卫星与多个地面站资源的前提下，并在满足多种约束条件的情况下，制定出无冲突的规划序列来达到用户需求。卫星任务编排问题实际上属于一种具有多目标多约束特点的组合优化问题，设计合适的规划模型与性能更好的优化算法具有一定的应用价值。
　　针对BBO算法的优化特点，本文改进了BBO算法并将其应用到卫星任务编排问题上，具体内容如下：
　　1.提出基于微扰动-差分迁移和混合变异的生物地理学优化算法(A Biogeography-Based Optimization algorithm based on perturbation-differential migration and mixed mutation, PDMBBO)。针对传统BBO算法无法在满足卓越开发能力的同时避免算法陷入局部最优，引入差分变异策略和自适应的微扰动因子来提高迁移算子的查找精度；并设计了混合变异算子，使算法在迭代前期具有良好的全局探索能力，在迭代后期具有较优的局部开发能力。通过仿真实验表明，无论是与其他智能优化算法还是近年来的改进BBO算法相比，PDMBBO算法在收敛速度、优化精度与鲁棒性三个方面都有明显的数量级优势，且其在满足卓越开发能力的同时，避免了算法陷入局部最优解。
　　2.提出改进的PDMBBO算法来求解卫星任务编排问题。通过分析卫星任务编排问题的原理，充分考虑了存储、能量、时间窗等约束，建立了以卫星规划时间、任务分配均衡度以及任务收益为目标函数的数学规划模型。卫星任务编排问题中规模的剧增导致初始解空间呈指数上升。针对这一现象，设计了改进的PDMBBO算法来求解模型。算法采用基于离散任务序列的编码规则，基于增加观测机会的初始化策略，并设计了基于交换任务位置的差分迁移策略以及基于替换时间窗的混合变异策略。通过仿真实验验证了改进的PDMBBO算法在卫星任务编排问题上的适用性与有效性。
　　综上所述，PDMBBO算法不仅有效地增强了传统生物地理学优化算法的寻优能力，而且改进策略在求解卫星任务编排问题上具有一定的适用性，为解决该类离散型复杂优化问题提供了一种新的研究思路。