一种自适应步长布谷鸟搜索算法

针对布谷鸟搜索算法（CS）后期收敛速度慢、计算精度不高等不足,提出了一种自适应步长调整布谷鸟搜索算法,加快布谷鸟搜索算法的搜索速度,提高其计算精度。通过8个标准测试函数测试的结果表明,改进后的自适应步长布谷鸟搜索算法具有较快的收敛速度和较高的寻优精度。     

自适应布谷鸟搜索算法

为了使布谷鸟搜索算法(Cuckoo Search,CS)在保持强大的全局搜索能力的同时,尽可能地提高局部搜索能力,在深入分析CS算法机理的基础上,将CS算法中影响布谷鸟搜索路径步长的参数β和布谷鸟蛋被发现(淘汰)的概率p_a由固定值改为随搜索过程自适应变化的动态参数,将越界的鸟窝折返回边界内、在当前代最优鸟窝附近的区域随机建立1个新的鸟窝、而非折返回边界上重新建立鸟窝,以提高算法的局部搜索能力和收敛速度。改进后的CS算法称为自适应布谷鸟搜索算法(Adaptive Cuckoo Search,ACS)。通过8个标准测试函数分别测试了CS算法和ACS算法的性能,结果表明,无论是简单的单峰函数还是复杂的多峰函数,无论是小型的低维函数还是大型的高维函数,ACS算法的寻优性能均超过CS算法。     

基于改进布谷鸟搜索算法的配电网重构

针对布谷鸟算法后期搜索速度慢、精度不高等缺点,提出了一种基于自适应值的布谷鸟优化算法,将粒子群算法的学习因子融入标准CS算法中,通过引入群体信息共享和个体经验思想,提出自适应步长及发现概率的双重改进.最后对IEEE33节点配电系统进行仿真,结果显示,所提算法在求解配电网重构问题方面不仅能快速收敛,且全局寻优能力也更加优秀.     

多策略调和的布谷鸟搜索算法

布谷鸟搜索（CS）算法是一种新型的群智能算法,结构简单且寻优能力较强,但存在勘探与开采不平衡以及易陷入局部极值的问题。提出一种多策略调和的布谷鸟搜索（MSRCS）算法,基于概率规则选择由自适应步长和改进解更新方法组成的调和策略对布谷鸟个体进行更新,其中自适应步长引导布谷鸟在更好的方向上寻优,3种改进的解更新方法分别从自身邻域、当前最优个体和随机位置3个角度对勘探和开采进行调和,从而提升全局搜索和局部搜索在迭代过程中的适应性。在CEC2013测试集的28个基准函数上的实验结果表明,MSRCS算法至少有12个测试函数优于原始CS及其7种改进算法且排名第一,在求解单峰、多峰和组合函数问题时寻优能力更强,同时相比于3种经典群智能优化算法具有更快的收敛速度和更高的解精度。     

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。     

混合引力搜索与高斯扰动的精英布谷鸟算法

针对布谷鸟算法（CS）的不足,提出了混合引力搜索与高斯扰动的精英布谷鸟搜索算法（GGECS）。该算法提出了自适应控制策略,将布谷鸟算法中的步长因子和发现概率进行动态地调整,并使用帕累托法则进行精英分类,分别对属于不同类别的鸟巢进行引力搜索和高斯扰动,从而提高算法的种群多样性,避免算法陷入局部最优解,提高了算法的寻优精度和收敛速度。使用8个标准测试函数进行仿真实验。结果表明,该算法较CS和ICS算法具有更好的全局搜索能力,其测试函数最优解也更为接近最优解的理论值。     

基于混沌序列的自适应步长的布谷鸟算法

布谷鸟算法(CS)是一种新的寻优算法,该算法存在局部搜索能力差,收敛速度慢,收敛精度不高等问题。布谷鸟初始位置的选择具有较强的随机性,通过在布谷鸟的初始位置引入混沌序列,在鸟窝更新时,步长的选择可以防止算法陷入局部最优,故建立基于混沌序列自适应步长的布谷鸟算法,通过测试函数进行比较该算法(ASBCS)优于布谷鸟算法(CS)。     

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。     

基于改进布谷鸟算法的WSN节点定位

有效的定位算法在无线传感器网络（WSN）的应用中起着重要的作用。针对DV-Hop算法在求解未知节点位置过程中定位精度低的问题进行了研究,提出了改进的无线传感器网络节点定位算法（SACSDV-Hop)。首先引入布谷鸟搜索（CS）算法,然后动态调整CS算法的发现概率 及影响步长大小的参数 以提高CS算法的收敛速度和局部搜索能力。SACSDV-Hop算法用改进的布谷鸟算法（SACS）代替DV-Hop算法在估算未知节点的位置坐标阶段所使用的最小二乘法,把节点定位问题转变为智能寻优问题,降低跳距估计误差对其的影响。仿真实验结果表明,所提算法比CSDV-Hop算法及传统的DV-Hop算法具有更高定位精度,并且不需要增加硬件开销。     

一种新的自适应布谷鸟搜索算法

为提高布谷鸟搜索(cuckoo search)算法(CS)的局部与全局搜索能力和收敛速度,提出了一种新的自适应布谷鸟算法。在该算法中,提出一种自适应参数控制策略来动态地调整CS中的步长因子,以增强CS的搜索性能。另外,把类似差分进化算法变异策略引入到CS中,以进一步提高CS的种群多样性。仿真实验表明,改进的CS算法的优化性能得到了明显改善。     

基于CUDA的并行布谷鸟搜索算法设计与实现

布谷鸟搜索（cuckoo search,CS）算法是近几年发展起来的智能元启发式算法,已经被成功应用于多种优化问题中。针对CS算法在求解大数据、大规模复杂问题时,计算时间过长的问题,提出了一种基于统一计算设备架构（compute unified device architecture,CUDA）的并行布谷鸟搜索算法。该算法的并行实现采用任务并行与数据并行相结合的方式,利用图形处理器（graphic processing unit,GPU）线程块与线程分别映射布谷鸟个体与个体的每一维数据,并行实现CS算法中的鸟巢位置更新、个体适应度评估、鸟巢重建、寻找最优个体操作。整个CS算法的寻优迭代过程完全通过GPU实现,降低了算法计算过程中CPU与GPU的通信开销。对4个经典基准测试函数进行了仿真实验,结果表明,相比标准CS算法,基于CUDA架构的并行CS算法在求解收敛性一致的前提下,在求解速度上获得了高达110倍的计算加速比。     

聚类加权和CS-LSSVM的文本分类

文本特征提取和分类器优化是文本分类的两个关键问题,为了提高文本分类正确率,提出一种聚类加权（CW）和布谷鸟（CS）算法优化最小二乘支持向量机（LSSVM）的文本分类模型。采用TF-IDF算法计算特征词的权重,根据特征词的位置进行加权,经过特征聚类处理降低特征冗余度,采用LSSVM建立文本分类器,采用CS算法对LSSVM参数进行优化。采用复旦大学语料库对模型性能进行仿真测试,仿真结果表明,模型不仅提高了文本分类的正确率,而且提高了文本分类的效率。     

基因-表现型的布谷鸟算法求解旅行商问题

布谷鸟搜索（Cuckoo Search,CS）算法在求解连续优化问题时表现出了较好的性能,但现有的CS算法在求解旅行商问题（Traveling Salesman Problem,TSP）时收敛较慢且未能体现Levy飞行的特点,针对这些不足提出了一种新的基因-表现型的布谷鸟算法（Genotype-Phenotype Cuckoo Search,GPCS）,GPCS算法首先赋予每个城市一个整数部分为城市编号的随机小数编码即基因,而此基因所表现的内容由小数和整数共同决定,小数决定城市的访问次序,整数部分代表某个城市,两个部分组合起来构成Levy飞行的邻域空间,最后根据不同的飞行结果选择重定位或替换操作。实验结果表明,GPCS算法优于同类的CS算法,也优于一些其他的群智能算法,特别在求解大规模TSP时其优势更加明显。     

布谷鸟搜索算法综述

布谷鸟搜索（Cuckoo Search,CS）算法是一种新型的群体智能优化算法,该算法受布谷鸟的巢寄生育雏行为的启发,并结合鸟类、果蝇等的莱维飞行特征而提出。首先对CS算法的原理进行介绍,并将它与当前主流群智能算法进行对比分析,从而说明CS算法的有效性及不足。然后介绍了算法的国内外研究成果,包括二进制CS、混沌CS、离散CS等多种版本的改进算法,以及CS算法在图像处理、数据挖掘、组合优化等多个领域的应用。最后,结合布谷鸟算法的特点及其应用研究成果,指出CS算法未来的研究方向。     

混合蝗虫优化算法求解作业车间调度问题

作为新兴的智能算法，蝗虫优化算法在作业车间调度问题中的应用符合智能制造的趋势。但由于全局寻优能力不足，基本蝗虫优化算法（GOA）在解决作业车间调度问题（JSP）时容易陷入局部最优，导致收敛精度较低。为了克服上述缺陷，利用量子旋转门操作对其进行改进，提出了一种基于量子计算思想的混合蝗虫优化算法（HGOA）。此外，对混合蝗虫优化算法进行了计算复杂度分析与全局收敛性证明，并利用11个作业车间标准测试问题进行了仿真实验。通过与基本蝗虫优化算法（GOA）、鲸鱼优化算法（WOA）、布谷鸟搜索算法（CS）、灰狼优化算法（GWO）的比较发现，混合蝗虫优化算法在平均值、最小值、寻优成功率及迭代次数方面存在较优结果。研究表明，混合蝗虫优化算法具有更强的全局搜索能力，更好的收敛精度，能够有效跳出局部最优。     

基于CS算法的Markov模型及收敛性分析

为完善布谷鸟搜索(CS)算法的收敛性理论,建立CS算法的Markov链模型,分析该Markov链的有限齐次性,在此基础上通过分析鸟窝位置的群体状态转移过程,指出随机序列将进入最优状态集,同时证明CS算法满足随机搜索算法全局收敛的2个条件。通过仿真实验验证CS算法可收敛于全局最优,从而确保CS算法的全局收敛性。     

作业车间调度问题的布谷鸟搜索算法求解

布谷鸟搜索算法是一种新型元启发式优化算法,该算法受到自然界中布谷鸟的巢寄生行为启发而提出。首先分析了布谷鸟搜索算法的仿生原理和数学描述,采用基于工序的编码方式对最小化最大完工时间的作业车间调度问题进行布谷鸟搜索算法求解。通过典型算例进行仿真实验,测试结果表明布谷鸟搜索算法求解作业车间调度问题的可行性和有效性,优于萤火虫算法和基本粒子群算法,是解决生产调度问题的一种有效方法。     

基于差分进化的布谷鸟搜索算法

针对基本布谷鸟搜索算法局部搜索能力弱、寻优精度低等不足,提出了一种具有差分进化策略的改进布谷鸟搜索算法。该算法是在种群进入下一次迭代之前在其个体上增加两个带权的差来实现个体变异,再对其进行交叉、选择操作得到最优个体,使缺乏变异机制的布谷鸟搜索算法具有变异能力,从而提高布谷鸟搜索算法的多样性,避免种群个体陷入局部最优,增强算法全局寻优能力。对几种经典测试函数和1个典型应用实例进行测试,仿真实验结果表明,新算法具有更好的全局搜索能力,在收敛精度、收敛速度以及寻优成功率等性能上显著优于基本布谷鸟搜索算法。