基于布谷鸟搜索的多处理器任务调度算法

多处理器系统在高性能计算中扮演着重要角色.为提高系统的并行性能,基于布谷鸟搜索算法,提出一种新的多处理器任务调度算法.该算法以全部任务的最晚完成时间最小为目标,利用基于任务优先权的编码方式使连续的布谷鸟搜索算法适用于离散的多处理器任务调度问题.实验结果表明,所提算法不仅求解质量高,而且求解速度最快,与目前广泛采用的遗传算法和粒子群算法相比其执行时间缩短超过60％.     

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.     

基于逐维策略的布谷鸟搜索增强算法

布谷鸟搜索算法迭代运用Lévy Flights随机走动和Biased随机走动发现新个体的各维信息。当个体所有维信息生成后,算法将这些信息合成为个体并评价。在这种情况下,由于个体各维之间存在相互干扰,一些部分维进化的个体可能被放弃,从而影响算法的收敛速度以及求精能力。提出的布谷鸟搜索增强算法采用逐维评价策略接收一些部分进化的个体,可进一步增强算法的收敛速度和求精能力。在算法中,逐维评价策略作为局部搜索技术镶嵌在两个随机走动部件之后,并随机选择一些个体进行逐维更新后进行评价。实验结果说明逐维评价策略总体上能够有效且较好地改善算法的求解性能和收敛速度。     

结合基因遗传和贪婪搜索的布谷鸟社区检测算法

为了提高复杂网络社区结构挖掘的精度,结合基因遗传和贪婪搜索提出一种面向模块度优化的布谷鸟社区检测算法(GGCSCA)。布谷鸟种群在有序邻居表上逐维随机游走,并采用优质基因遗传策略,使得种群高效优化,同时应用局部模块度增量最大化的贪婪偏好搜索算法快速提升种群质量,以取得好的社区划分结果。GGCSCA在基准网络和经典网络上进行了实验,并与一些典型算法进行对比,结果说明了本社区发现算法的有效性、准确性和快速收敛性,具有较强的社区识别能力,能够精细地检测出网络社区结构。     

基于混合引力搜索的自适应特征提取算法

为提高基于内容的图像检索( CBIR)算法的检索性能,提出一种同时进行自适应特征提取和选择的CBIR算法。该算法通过同步特征提取和选择,减少低级视觉特征和高级语义之间的语义差距,使用参数化小波提高图像细节的准确度,利用混合引力搜索算法优化颜色直方图特征中母小波函数和量化间隔参数。在Corel收集的1000幅图像上的实验结果表明,相比最相关特征算法、引力搜索算法和支持向量机的融合算法、模糊颜色直方图和模糊字符串匹配的融合算法,该算法的检索精度较高,平均耗时较少。     

基于改进引力搜索的混合K-调和均值聚类算法研究

为了解决聚类算法容易陷入局部最优的问题,以及增强聚类算法的全局搜索能力,基于KHM算法以及改进的引力搜索算法,本文提出一种混合K-调和均值聚类算法（G-KHM）。G-KHM算法具有KHM算法收敛速度快的优点,但同时针对KHM算法容易陷入局部最优解的问题,在初始化后数据开始搜索聚类中心时采用了一种基于对象多样性及收敛性增强的引力搜索算法,该方法改进了引力搜索算法容易失去种群多样性的缺点,并同时具有引力搜索算法较强的全局搜索能力,可以使算法收敛到全局最优解。仿真结果表明,G-KHM算法能有效地避免陷入局部极值,具有较强的全局搜索能力以及稳定性,并且相比KHM算法、K-mean聚类算法、C均值聚类算法以及粒子群算法,在分类精度和运行时间上表现出了更好地效果。     

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。     

混合自适应引力搜索优化的特征选择方法

特征选择在许多领域具有重要作用,提出一种基于混合自适应引力搜索算法的特征选择方法,在最大化分类精度的同时从数据样本中选出最小特征子集。算法设计两种解更新策略进行组合式搜索,引入群体约简方法,有效地平衡算法的全局搜索和局部收敛能力,同时提出自适应调控参数,减少参数设置对算法性能的影响。在七组真实数据集中的实验结果表明,从分类精度、特征子集大小和运行时间三方面比较,提出的方法优于原始算法和已有相近算法,具有良好的综合性能,是一种有效的特征选择方法。     

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。     

二进制布谷鸟搜索算法

为了寻找求解NP完全问题的新算法,采用二进制编码串表示鸟巢的位置,对布谷鸟寻找新鸟巢的Lévy飞行路径分别按照Kennedy和Eberha公式及刘建华公式进行二进制代码变换,引入二进制编码控制系数对变换得到的二进制编码进行混合更新,保留布谷鸟蛋被淘汰的机制等方法将新型高效的布谷鸟搜索（CS）算法改进为二进制布谷鸟搜索（BCS）算法。将BCS算法用于求解背包问题,结果好于遗传算法和几种混合遗传算法;将BCS算法用于求解旅行商问题,结果好于遗传算法、蚁群算法和微粒群算法,但略差于改进的惯性权重自适应调整微粒群优化算法。二进制布谷鸟搜索算法是求解NP完全问题的新型高效算法。     

改进布谷鸟算法优化混合核LSSVM的卷烟销售量预测

为了提高卷烟销售量预测精度,提出了基于一种改进布谷鸟算法（MCS）优化混合核最小二支持向量机（LSSVM）的卷烟销售量预测模型（MCS-LSSVM）。收集卷烟销售量数据,并构建LSSVM学习样本,然后混合核函数的LSSVM对样本进行训练,并采用改进布谷鸟算法对混合核函数参数进行优化,最后建立卷烟销售量预测模型,并用于某卷烟公司卷烟销售的预测。结果表明,相对于对比模型,ICS-LSSVM模型获得了更优的建模效果和更高的预测精度。     

基于自适应布谷鸟搜索算法的K-means聚类算法及其应用

针对原始K-means聚类算法受初始聚类中心影响过大以及容易陷入局部最优的不足,提出一种基于改进布谷鸟搜索（CS）的K-means聚类算法（ACS-K-means）。其中,自适应CS（ACS）算法在标准CS算法的基础上引入步长自适应调整,以提高搜索精度和收敛速度。在UCI标准数据集上,ACS-K-means算法可得到比K-means、基于遗传算法的K-means（GA-K-means）、基于布谷鸟搜索的K-means（CS-K-means）和基于粒子群优化的K-means（PSO-K-means）算法更优的聚类质量和更高的收敛速度。将ACS-K-means聚类算法应用到南宁市青秀区“城管通”系统的城管案件热图的开发中,在地图上对案件地理坐标进行聚类并显示,应用结果表明,聚类效果良好,算法收敛速度快。     

混沌布谷鸟搜索算法在谐波估计中的应用

针对布谷鸟搜索（CS）算法存在后期收敛速度慢、计算精度不高和陷入局部最优等缺点,提出了混沌布谷鸟（CCS）算法。首先,通过混沌理论初始化种群来增加种群多样性;然后,对局部最优值引入混沌扰动算子来跳出早熟收敛,提高计算精度,进而完成全局优化。对4个单目标基准函数进行仿真测试,对比最优值、最差值、平均值、中位数值及标准差值,结果表明,基于CCS算法比CS算法有更快的收敛速度和更高的收敛精度。在电力系统中谐波问题成分引起电流波形畸变,电网不稳定。精确分析谐波成分是解决谐波污染的重要前提。将性能更好的CCS算法应用于谐波估计,通过比较估计均值及标准偏差,结果显示在分析谐波电流时CCS算法相比粒子群优化（PSO）算法具有更好的性能。     

自适应布谷鸟搜索的并行K-means聚类算法*

针对K-means聚类算法受初始类中心影响,聚类结果容易陷入局部最优导致聚类准确率较低的问题,提出了一种基于自适应布谷鸟搜索的K-means 聚类改进算法,并利用MapReduce编程模型实现了改进算法的并行化。通过搭建的Hadoop分布式计算平台对不同样本数据集分别进行10次准确性实验和效率实验,结果表明：(1)聚类的平均准确率在实验所采用的4种UCI标准数据集上,相比原始K-means聚类算法和基于粒子群优化算法改进的K-means聚类算法都有所提高;(2) 聚类的平均运行效率在实验所采用的5种大小递增的随机数据集上,当数据量较大时,显著优于原始K-means串行算法,稍好于粒子群优化算法改进的并行K-means聚类算法。可以得出结论,在大数据情景下,应用该算法的聚类效果较好。     

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。     

Nearest neighbour cuckoo search algorithm with probabilistic mutation

In this study, we present a nearest neighbour cuckoo search algorithm with probabilistic mutation, called NNCS. In the proposed approach, the nearest neighbour strategy is utilized to select guides to search for new solutions by using the nearest neighbour solutions instead of the best solution obtained so far. In the proposed strategy, we respectively employ a solution-based and a fitness-based similar metrics to select the nearest neighbour solutions for implementation. Furthermore, the probabilistic mutation strategy is used to control the new solutions learn from the nearest neighbour ones in partial dimensions only. In addition, the nearest neighbour strategy helps the best solution participate in searching too. Extensive experiments, which are carried on 20 benchmark functions with different properties, demonstrate the improvement in effectiveness and efficiency of the nearest neighbour strategy and the probabilistic mutation strategy.     

混合CS算法的DE算法

为解决基本差分进化算法的缺陷,利用布谷鸟搜索（CS）算法寻优能力强的优点,在DE每次完成选择操作后,不直接进入下一次迭代,而是引入CS算法,继续进行搜索,这样就增加了粒子的搜索活力,从而得到一种新的差分进化算法。经过对6个标准测试函数的大量实验计算表明,该算法能有效克服DE算法的缺陷,使寻优精度有较大改进。将算法应用于求解非线性方程组问题,给出了数值算例。     

多策略融合的改进万有引力搜索算法

为解决传统万有引力搜索算法（GSA）易陷入局部最优和开发能力弱等问题,提出了一种多策略融合的改进万有引力搜索算法（MFGSA）。首先,提出动态调整引力常数G的更新策略,以增强算法的探索能力和收敛精度;其次,为保留粒子的多样性,提出了基于对称思想的粒子越界处理策略,以提高算法的收敛精度;为适应前两个策略,还引入精英思想,用最优粒子改善最差粒子位置策略,以避免算法陷入局部最优;同时,提出了自适应因子更新粒子速度和位置策略,以提高算法的收敛速度。为验证改进算法的性能,将改进算法与传统万有引力搜索算法和其他四种改进万有引力搜索算法在10个基准函数上进行了对比实验,结果表明MFGSA在收敛速度、搜索精度方面优势较大,表明MFGSA性能的优越性。