多目标原油选择与混合优化方法

为保证原料的稳定供应,炼厂经常需要寻找相似原油替代库存量少的原油.以混合原油与目标原油质量偏差最小以及混合原料成本最低为目标,构建了一个多目标原油选择与混合优化模型.模型为混合整数非线性规划模型,可以将寻找替代原油转化为原油选择与混合优化问题.在原始多目标布谷鸟搜索(MOCS)算法基础上,对编码以及Lévy飞行进行了改进,结合非支配排序方法提出了一种改进的多目标布谷鸟搜索(IMOCS)算法.利用IMOCS算法求解模型,可同时确定原油的选择和混合比例,且一次计算可得到一组Pareto最优解.通过仿真,与非支配排序遗传算法(NSGA-Ⅱ)进行对比,验证算法的寻优效果.计算得到的混合方案可为炼厂寻找替代原油提供参考.     

基于动态布谷鸟搜索算法的PID控制器参数优化

为了解决传统PID控制器参数优化费时且不能保证获得最佳性能的问题,通过改进布谷鸟搜索算法的参数取值,形成了动态布谷鸟搜索算法(DCS),并把其引入到PID控制器参数优化中,提出了一种基于动态布谷鸟搜索算法的PID控制器参数优化算法,仿真试验结果表明基于动态布谷鸟搜索算法的PID控制器具有较好的控制性能指标,并通过与其他算法对比,证明了动态布谷鸟搜索算法的PID控制器优化算法具有优越性和有效性.     

基于CS算法优化的模糊C均值聚类入侵检测

针对模糊C均值聚类算法受初始聚类中心影响过大以及易于陷入局部极值的问题,采用具有Levy flight模式且具有很强全局搜索能力的布谷鸟搜索算法,对模糊C均值聚类算法初始聚类中心进行优化,并把优化后的模糊C均值聚类算法应用于网络入侵检测。实验结果显示,经过优化后的模糊C均值聚类算法具有较好的运行速度和聚类效果,对入侵行为的检测效果良好。     

基于骑手优化的动态布谷鸟搜索算法

针对传统布谷鸟搜索算法（cuckoo search,CS）对复杂问题收敛精度低、迭代步幅局限性大的特点,提出了基于骑手优化的动态布谷鸟搜索策略（rider optimization cuckoo search,ROCS）。结合骑手优化算法（rider optimization algorithm,ROA）思想,利用多种群在单周期内进行多策略寻优,动态使用最优策略进行加强搜索,提高算法对复杂问题的收敛效率;同时对Lévy飞行运动进行动态参数调节,改善算法搜索前期及末期表现。仿真测试结果显示,改进算法对复杂问题的优化表现优于比对算法,算法寻优效率得到显著改善。     

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。     

列车节能运行决策问题的模拟优化研究

轨道交通运输耗能巨大,研究列车节能操作运行具有重要的理论意义和实用价值。从节能角度出发,分析列车运行过程中的能量转换机制,建立单列车耗能最低优化模型、多列车节能优化模型及列车延误多目标优化控制模型,针对模型本身及其约束条件的复杂性,提出基于改进布谷鸟优化算法与动态搜索方法的“模拟优化”求解方法,对列车节能运行决策问题进行求解,并通过与其他同类算法的比较,阐述了所提方法的优越性。得到列车在不同运行工况下的最优节能运行控制策略,确定各情况下列车运行的最优速度距离曲线,结果符合实际情况。改进算法的搜索效率更高,研究思路与模型对于列车节能操作运行具有一定的借鉴意义,所提出的针对复杂优化模型的求解方法合理有效,适用性强,有一定的参考价值。     

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。     

求解工程结构优化问题的改进布谷鸟搜索算法

针对布谷鸟搜索算法局部搜索能力不强的缺点, 提出一种基于随机局部搜索的改进布谷鸟搜索算法用于求解工程结构优化问题。引入惯性权重以平衡算法的勘探和开采能力; 利用随机局部搜索方法对当前最优解进行局部搜索, 以加快算法的收敛速度。两个工程结构优化问题的实验结果表明了该算法的可行性和有效性。     

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。     

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.     

改进BP神经网络的光伏系统发电功率预测

为了提高光伏发电功率的预测精度,提出一种改进BP神经网络的光伏发电功率预测模型.首先采用包括室外温度、光照辐射量、风速等作为输入层节点,交流发电功率作为输出节点,引入RMSE作为衡量最优模型指标,确定了隐含层节点数,然后采用BP神经网络对其进行学习,并采用布谷鸟搜索算法对BP神经网络进行优化,最后采用仿真实验对其有效性进行测试.结果表明,改进神经网络提高了光伏发电功率预测精度,具有一定的推广价值.     

基于组合模型的网络安全态势估计

为了获得更加理想的网络安全态势估计效果,提出一种基于组合方法的网络安全态势估计模型。首先收集网络安全态势样本,进行预处理得到学习样本,然后将训练样本集输入到BP神经网络进行学习,并采用布谷鸟搜索算法选择最合理的BP神经网络参数,最后通过仿真实验对模型性能进行分析。结果表明,本文模型大幅度降低了网络安全态势的拟合误差和预测误差,是一种科学、合理的网络安全态势估计模型,估计结果具有一定的实际应用价值。     

带反方向视角和二项交叉的布谷鸟搜索算法

布谷鸟搜索算法是一种新兴的自然仿生优化技术,其借用Lévy Flights随机走动和Biased随机走动搜索新的解。在Lévy Flights随机走动中,所有个体以当前种群获得的最优解为导向进行搜索,这容易导致种群趋同于该最优解。针对此问题,引入反方向视角使种群基于一定概率反向搜索,以避免趋同于当前最优解,并提出带反方向视角和二项式交叉的布谷鸟搜索算法。在提出的算法中,借用二项交叉操作以提高Biased随机走动的搜索能力。与标准的布谷鸟搜索算法对比,实验结果说明提出的策略能够有效地改善布谷鸟搜索算法求解连续函数优化问题的收敛速度和解的质量。与其他改进的布谷鸟搜索算法以及其他进化算法对比,实验结果说明提出的算法在求解连续函数优化问题上具有一定的竞争力。     

云模型的布谷鸟搜索算法*

针对布谷鸟搜索算法(CS)存在的不足,优化布谷鸟搜索算法求解连续函数问题的性能,结合云模型在定性与定量之间相互转换的优良特性,设计出云模型的布谷鸟搜索算法(CCS)。其核心思想是通过云模型实现布谷鸟的进化学习过程,类似差分进化进行群体间的信息交流。经过10个测试函数的实验仿真,测试结果表明该文算法能有效改善求解连续函数优化问题的性能。同时,针对连续函数优化问题,该算法与其它算法相比是有更好性能的优化算法。     

ACOCS:一种云环境下资源调度混合算法

蚁群算法在优化组合问题中有着重要的意义,传统的蚁群调度算法搜索速度慢、容易陷入局部最优。针对这种情况,结合布谷鸟搜索算法,提出一种基于蚁群算法与布谷鸟搜索算法的混合算法(ACOCS),用于云环境下的资源调度。该方法有效保留了蚁群算法求解精度高和鲁棒性的特性,并融入了布谷鸟搜索具有快速全局搜索能力的优势。仿真实验结果表明,提出的ACOCS调度算法有效减少了调度所需的响应时间,也在一定程度上提高了系统资源利用率。     

基于克隆布谷鸟算法的资源均衡优化

资源均衡优化问题属于NP-Hard问题,为了能对其高效地进行求解,提出了一种新的克隆布谷鸟算法。该算法首先根据个体适应度自适应地克隆,实现种群的扩张;然后通过Levy变异实现克隆种群的更新;最后去重以及全局择优策略保留最优个体且增加种群多样性;引入非均匀变异算子均衡算法全局均匀搜索能力和局部求精能力。通过对实例进行测试,结果表明克隆布谷鸟算法在求解资源均衡优化问题上比粒子群、差分和标准布谷鸟算法具有更优的全局优化性能。     

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。     

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。