基于共轭梯度的布谷鸟搜索算法

布谷鸟搜索算法(Cuckoo Search,CS)是基于群体智能的新型随机全局优化算法,具有控制参数少、搜索路径优和全局寻优能力强等优点,但也存在局部搜索能力较弱、收敛速度偏慢和收敛精度不够高等缺点。为了克服CS算法的缺点,提出一种基于共轭梯度的布谷鸟搜索算法(CGCS),使经过Levy飞行机制和淘汰机制进化后的布谷鸟种群沿着相互共轭的方向迅速下降.从而在保持算法的强大全局寻优能力的基础上大幅提高算法的收敛能力。用4个典型测试函数分别对CGCS算法和CS算法进行性能测试,结果表明,CGCS算法比CS算法具有更快的收敛速度、更高的收敛精度和更稳定的优化结果。CGCS算法同时具有很强的全局寻优能力、收敛能力和鲁棒性,特别适合多峰及高维函数的优化。     

求解无约束优化问题的改进布谷鸟搜索算法

布谷鸟搜索算法是一种基于种群迭代搜索的全局优化算法。为求解无约束优化问题,提出一种改进的布谷鸟搜索算法。利用混沌序列构造初始种群以增加群体的多样性,引入动态随机局部搜索技术对当前最优解进行局部搜索,以加快算法的收敛速度。对4个标准测试函数进行仿真实验,并与其他6种算法进行比较,结果表明,该算法具有较强的全局搜索能力和较快的收敛速度。     

基于反向学习的布谷鸟算法优化搜索仿真

针对布谷鸟算法求解复杂的问题时收敛速度过低、全局效果不理想等问题,提出基于反向学习的布谷鸟算法优化搜索方法.对当前布谷鸟群体加入反向学习策略,从全局中找出精英个体,并对个体求反向解,在所得的可行解与反向解中找出最优个体作为下一次迭代的个体.将混沌扰动策略引入鸟巢位置的确定过程,扩大布谷鸟种群的多样性,提高算法整体的收敛精度和搜索能力.最后进行仿真,运用不同方法对四个函数测试的结果中可以看出,所提方法具有更优的搜索能力和收敛速度.     

多资源均衡优化的布谷鸟算法

针对标准多目标布谷鸟算法(CSA)后期收敛速度慢、收敛精度不高的缺陷,提出一种求解多资源均衡优化问题的改进多目标布谷鸟算法。首先,引入非均匀变异算子,以均衡算法的全局搜索能力和局部寻优能力;然后,引进差分进化算子,促进群体间的合作和信息交流,提高算法的收敛精度。通过算例测试表明,改进的多目标布谷鸟算法比标准多目标算法和VEPSO-BP算法具有更好的全局收敛性。     

多资源均衡优化的布谷鸟算法

针对标准多目标布谷鸟算法(CSA)后期收敛速度慢、收敛精度不高的缺陷,提出一种求解多资源均衡优化问题的改进多目标布谷鸟算法。首先,引入非均匀变异算子,以均衡算法的全局搜索能力和局部寻优能力;然后,引进差分进化算子,促进群体间的合作和信息交流,提高算法的收敛精度。通过算例测试表明,改进的多目标布谷鸟算法比标准多目标算法和VEPSO-BP算法具有更好的全局收敛性。     

最优化问题全局寻优的PSO BFGS混合算法*

针对利用粒子群优化算法进行多极值函数优化时存在早熟收敛和搜索效率低的问题,提出混合的PSO-BFGS算法,并增强了混合算法的变异能力使算法能逃出局部极值点.通过对三种Benchmark函数的测试结果表明,PSO-BFGS算法不仅具有有效的全局收敛性能,而且还具有较快的收敛速度,是求解最优化问题的一种有效算法.     

多阶段动态扰动和动态惯性权重的布谷鸟算法

针对布谷鸟仿生智能优化算法存在着的易陷入局部最优、求解精度低以及收敛速度慢等问题,提出了基于多阶段动态扰动和动态惯性权重的布谷鸟搜索算法（MACS）。利用多阶段动态扰动策略对布谷鸟算法的全局位置的最优鸟巢位置根据方差可调的正态随机分布进行扰动,有利于增加种群的多样性和鸟窝位置的灵活性,提高算法全局搜索能力。在局部位置处引入动态惯性权重,使得算法有效克服易陷入局部最优的缺陷,提高局部寻优搜索能力。引入了动态切换概率[p]代替固定概率,可以动态平衡全局搜索和局部搜索。通过与4种算法相比和11个测试函数的仿真结果表明：改进布谷鸟算法（MACS）的寻优性能明显提高,收敛速度更快,求解精度更高,具有更强的全局搜索能力和跳出局部最优能力。     

基于反向学习与Levy飞行的改进蜂群算法

为了优化蜂群算法(BCA),平衡局部搜索与全局搜索,避免算法陷入局部最优,并提高蜂群算法的收敛速度,提出了一种多策略改进的方法优化蜂群算法(MSO-BCA).算法在种群初始化阶段采用了反向学习(OBL)初始化的方法;在种群更新与邻域搜索中采用了具有Levy飞行特征的改进搜索策略.经过对经典Benchmark函数的反复实验并与其他算法的比较,表明了所提出的算法具有良好的加速和收敛效果,提高了全局搜索能力与效率.     

基于Powell局部搜索策略的全局优化布谷鸟算法

为了解决布谷鸟搜索算法后期收敛速度慢、求解精度不高、易陷入局部最优等缺陷,提出了一种基于Powell局部搜索策略的全局优化布谷鸟搜索算法.算法将布谷鸟全局搜索能力与Powell方法的局部寻优性能有机地结合,并根据适应度值逐步构建精英种群候选解池在迭代后期牵引Powell搜索的局部优化,在保证求解速度、尽可能找到全局极值点的同时提高算法的求解精度.对52个典型测试函数实验结果表明,该算法相比于传统的布谷鸟搜索算法不仅寻优精度和寻优率有所提高,并且适应能力强、鲁棒性好,与最新提出的其他改进算法相比也具有一定的竞争优势.     

基于差分进化的回溯搜索优化算法研究与改进

针对回溯搜索优化算法收敛速度慢和易早熟的缺点,提出了一种改进算法.首先,利用麦克斯韦分布产生变异尺度系数,并在此基础上提出了一种新的变异算子.新变异算子有效地加快了收敛速度.同时,在变异策略中添加了一种选择机制以增加全局搜索能力,避免出现早熟收敛.通过与差分进化的变异策略对比和经典测试函数的测试,实验结果表明改进算法不仅具有较快的收敛速度,而且具有良好的全局搜索能力.     

动态调整概率的双重布谷鸟搜索算法

布谷鸟搜索算法是一种新兴的仿生智能算法,存在着求解精度低、易陷入局部最优及收敛速度慢等缺陷,提出了动态调整概率的双重布谷鸟搜索算法(DECS)。首先,在自适应发现概率P中引入了种群分布熵,通过算法的所处迭代阶数和种群分布情况,动态改变发现概率P的大小,有利于平衡布谷鸟算法局部寻优和全局寻优的能力,加快收敛速度;其次,在布谷鸟寻窝的路径位置更新公式中,采用了一种新型步长因子更新寻优方式,形成Levy飞行双重搜索模式,充分搜索空间;最后,在随机偏好游走的更新公式引入非线性对数递减的惯性权重策略,使得算法有效克服易陷入局部最优的缺陷,提高寻优搜索能力。与4种算法相比和19个测试函数的仿真结果表明:改进布谷鸟算法的寻优性能明显提高,收敛速度更快,求解精度更高,具有更强的全局搜索能力和跳出局部最优能力。     

求解约束化工优化问题的混合布谷鸟搜索算法

针对布谷鸟搜索算法存在收敛速度慢和易陷入局部最优等缺陷,提出一种基于Rosenbrock搜索和柯西变异的混合布谷鸟搜索算法用于求解约束化工优化问题。该算法首先采用佳点集方法对鸟窝位置进行初始化,为全局搜索的多样性奠定基础;然后利用Rosenbrock搜索算法对当前最优位置进行局部搜索,以提高算法的收敛速度;最后对当前最优解进行柯西变异以避免算法陷入局部最优。两个约束化工优化问题的实验结果表明了该混合算法的有效性。     

参数动态调整的自适应布谷鸟算法

为提高布谷鸟算法的收敛速度和求解精度,提出了一种基于自适应机制的改进布谷鸟算法。该算法在迭代初期和末期分别使用两种自适应策略来动态调整步长和发现概率,提高了算法的局部和全局寻优能力。利用10个标准测试函数对基本布谷鸟算法、所提出的改进算法以及其他智能优化方法进行了仿真对比验证,结果表明所提出的改进布谷鸟算法在求解精度、稳定性以及收敛速度上都具有一定优势。     

Snap-drift cuckoo search: A novel cuckoo search optimization algorithm

Cuckoo search (CS) is one of the well-known evolutionary techniques in global optimization. Despite its efficiency and wide use, CS suffers from premature convergence and poor balance between exploration and exploitation. To address these issues, a new CS extension namely snap-drift cuckoo search (SDCS) is proposed in this study. The proposed algorithm first employs a learning strategy and then considers improved search operators. The learning strategy provides an online trade-off between local and global search via two snap and drift modes. In snap mode, SDCS tends to increase global search to prevent algorithm of being trapped in a local minima; and in drift mode, it reinforces the local search to enhance the convergence rate. Thereafter, SDCS improves search capability by employing new crossover and mutation search operators. The accuracy and performance of the proposed approach are evaluated by well-known benchmark functions. Statistical comparisons of experimental results show that SDCS is superior to CS, modified CS (MCS), and state-of-the-art optimization algorithms in terms of convergence speed and robustness.     

非线性极大极小问题的混沌万有引力搜索算法求解*

针对非线性极大极小问题目标函数不可微的特点,提出了一种混沌万有引力搜索算法的求解方法。该算法采用基于万有引力定律的优化机制引导群体进行全局探索,并基于混沌运动的随机性、遍历性和规律性特点,利用混沌优化对当前最优位置进行精细搜索,有效抑制算法早熟收敛现象,提高优化性能。数值实验结果表明,该算法具有计算精度高、数值稳定性好等特点。     

基于逐维反向学习的动态适应布谷鸟算法

为了解决布谷鸟搜索算法寻优精度不高、收敛速度慢、后期搜索活力不足以及处理高维优化问题时存在维间干扰等缺陷,提出了逐维反向学习策略的动态适应布谷鸟算法。首先,对选择更新后的解进行逐维反向学习,减少维间干扰,扩大种群多样性;然后,使用精英保留方式评价该结果,提高算法寻优能力;最后,充分利用当前解的信息进行动态适应的缩放因子控制,引导解快速收敛,提升算法搜索活力。实验结果表明,该算法相比较于标准布谷鸟搜索算法,寻优精度、收敛速度以及后期搜索活力有所提高,与其他改进算法相比也具有一定的竞争优势。     

A developed system based on nature-inspired algorithms for DNA motif finding process

In this paper, recent algorithms are suggested to repair the issue of motif finding. The proposed algorithms are cuckoo search, modified cuckoo search and finally a hybrid of gravitational search and particle swarm optimization algorithm. Motif finding is the technique of handling expressive motifs successfully in huge DNA sequences. DNA motif finding is important because it acts as a significant function in understanding the approach of gene regulation. Recent results of existing motifs finding programs display low accuracy and can not be used to find motifs in different types of datasets. Practical tests are implemented first on synthetic datasets and then on benchmark real datasets that are based on nature-inspired algorithms. The results revealed that the hybridization of gravitational search algorithm and particle swarm algorithms provides higher precision and recall values and provides average enhancement of F-score up to 0.24, compared to other existing algorithms and tools, and also that cuckoo search and modified cuckoo search have been able to successfully locate motifs in DNA sequences.

     

用于函数优化的最大引力优化算法

提出一种基于牛顿万有引力定理的函数优化方法──最大引力优化算法。该算法通过“引力分组”和“引力淘汰”过程更新搜索体。文中给出4个引理来描述算法的数学基础,同时也给出算法的收敛性证明。此外还对该算法进行改进。最后与粒子群算法、差分算法、郭涛算法进行比较,数值结果显示该算法在解决连续函数优化问题具有较高的性能。     

基于布谷鸟搜索算法的无线传感器网络节点定位

无线传感器网络的节点定位实际上是解决测量距离和测距误差的多维约束优化问题。针对最小二乘方法对测距误差敏感的不足,提出一种基于布谷鸟搜索算法的无线传感器网络节点定位算法。该算法利用全局和局部寻优能力强的布谷鸟算法求解定位过程中的多维约束优化问题;通过设定相应的约束适应度函数来减小定位过程的搜索范围,加快了收敛速度,能够快速地确定未知节点的位置。仿真结果表明：相较于粒子群算法和最小二乘算法,该算法能有效地抑制测距误差对定位的影响,提高节点的定位精度,具备很好的实用性。     

Improved cuckoo search for reliability optimization problems

An efficient approach to solve engineering optimization problems is the cuckoo search algorithm. It is a recently developed meta-heuristic optimization algorithm. Normally, the parameters of the cuckoo search are kept constant. This may result in decreasing the efficiency of the algorithm. To cope with this issue, the cuckoo search parameters should be tuned properly. In this paper, an improved cuckoo search algorithm, enhancing the accuracy and convergence rate of the cuckoo search algorithm, is presented. Then, the performance of the proposed algorithm is tested on some complex engineering optimization problems. They are four well-known reliability optimization problems, a large-scale reliability optimization problem as well as a complex system, which is a 15-unit system reliability optimization problem. Finally, the results are compared with those given by several well-known methods. Simulation results demonstrate the effectiveness of the proposed algorithm.