动态适应布谷鸟搜索算法

介绍一种新的生物启发算法—–布谷鸟搜索(CS)及其相关的L′evy飞行搜索机制.为了进一步提高算法的适应性,将反馈引入算法框架,建立了CS算法参数的闭环控制系统.将Rechenberg的1/5法则作为进化的评价指标,引入学习因子平衡种群的多样性和集中性,提出动态适应布谷鸟算法(DACS).最后,通过数值实验验证了所提出算法的有效性.

基于动态平衡因子自适应步长的布谷鸟搜索算法

针对标准布谷鸟搜索算法依赖Lévy飞行的游走导致整个搜索过程步长具有随机性的问题,提出一种基于动态平衡因子自适应步长的布谷鸟搜索算法。通过对标准布谷鸟搜索算法中参数偏度动态自适应取值来实现算法对步长的动态自适应,同时引入动态平衡因子以调节全局适应度和当前迭代次数所占的比重,从而实现布谷鸟搜索算法收敛速度和搜索精度的平衡。测试仿真实验结果表明,与标准布谷鸟搜索算法相比,提出的算法收敛速度显著提升;与单纯依赖迭代次数自适应步长的布谷鸟算法相比,提出的算法避免了为追求收敛速度而造成的算法早熟现象。

一种动态自适应麻雀搜索算法及在车联网驾驶行为识别中的应用

针对麻雀搜索算法(SSA)跟随者接近种群内个体最佳位置时收敛速度过快而导致易陷入局部最优的问题,文中提出一种基于动态自适应的改进型麻雀搜索算法(ASSA)。首先,在搜索寻优过程中,对发现者位置和跟随者位置进行动态更新,为保证算法在迭代后期的收敛速度,警戒者的个数采用线性递减的方式;其次,为防止算法陷入局部最优而导致的迭代中断,通过高斯随机分布形成新的发现者;最后,为验证改进算法的有效性,利用4种典型的函数进行测试,测试结果与SSA进行对比。结果表明:ASSA能够有效解决SSA易陷入局部最优的问题,并在收敛速度等性能上得到了有效提升。在此基础上,将ASSA算法应用到车联网驾驶行为识别中,通过优化BP神经网络,使得网络具有更高的识别准确率和性能。

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。

自适应步长和发现概率的布谷鸟搜索算法

针对因参数设置为常数、个体参数设置相同而导致布谷鸟算法求解精度降低的问题,提出一种基于适应值分配的自适应步长和发现概率的布谷鸟搜索算法,进行仿真实验,并与其他改进算法进行对比研究。结果表明:自适应步长和发现概率的布谷鸟搜索算法提高了算法的计算精度,计算结果优于原始的布谷鸟算法;与其他改进的布谷鸟算法相比,具有较强的竞争性。

具有动态惯性权重的布谷鸟搜索算法

为提高布谷鸟搜索算法的搜索能力和寻优精度,提出一种具有动态惯性权重的布谷鸟搜索算法。该算法引入动态惯性权重改进鸟窝位置的更新方式,依据动态惯性权重值保留上代鸟窝的最优位置并进行下一代位置更新,从而有效平衡种群探索能力和开发能力之间的关系。并利用特征方程对改进算法进行了收敛性分析。仿真实验结果表明,与基本布谷鸟搜索算法、粒子群算法和蚁群算法相比,改进后的布谷鸟搜索算法能显著减少迭代次数和运行时间,有效提高算法的收敛速度和收敛精度。

基于梯度的自适应快速布谷鸟搜索算法

针对标准布谷鸟搜索(CS)算法存在全局搜索和局部搜索能力不平衡的缺点,提出一种基于梯度的自适应快速布谷鸟搜索(GBAQCS)算法.在改进的算法中,针对偏好随机游动的步长,在利用目标函数的梯度决定步长方向的基础上,首先提出自适应搜索机制平衡了算法的全局搜索和局部搜索能力;其次提出快速搜索策略,充分利用当前鸟巢信息进行精细化搜索,从而提高算法的搜索精度和收敛速度.实验结果表明,相比其他算法,所提出的改进策略使算法的全局搜索和局部搜索能力保持了相对的平衡,并提高了算法的收敛性能.

具有动态步长和发现概率的布谷鸟搜索算法

为了进一步改善算法搜索过程中存在的求解精度偏低、收敛速度缓慢等现象,提出具有动态步长和发现概率的布谷鸟搜索算法。该算法通过引入步长调整因子动态约束每一代种群的莱维移动步长,使算法的莱维飞行机制具有自适应性。在发现概率上,使用具有均匀分布和F分布特性的随机惯性权重,改变发现概率的固定取值,加强种群的多样性,保持算法全局搜索、局部探索之间的平衡状态。通过实验证明,所提算法具有良好的可行性,其寻优结果、收敛速度均有提高。

自适应步长布谷鸟搜索算法

布谷鸟搜索算法(CSA)是一种新颖且简单、高效的生物启发式算法。针对标准算法存在后期收敛速度慢、易陷入局部最优等问题,提出了一种新的自适应步长布谷鸟搜索算法(ASCSA)。通过自适应调整莱维飞行步长使算法在前期拥有较大的寻优空间,提高全局搜索能力;步长随迭代自适应减小,算法的局部开发能力增强。针对偏好随机游动,引入动态惯性权重和记忆策略后,算法能够充分利用历史经验,稳定性得到提高。实验结果表明,改进后的布谷鸟搜索算法的各方面性能较标准算法及相关改进版本都有显著提高。

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。

求解连续函数优化的自适应布谷鸟搜索算法

为了提高布谷鸟搜索算法求解连续函数优化问题的性能,提出一种自适应布谷鸟搜索算法,改进算法利用解与当前最优解之间对应维上距离,实现随机游动步长的自适应调整。距离当前最优解对应维越远,维的随机游动步长越长,反之越短。利用解的适应度与群体平均适应度的关系自适应调整发现概率,使劣质解比优秀解更容易被淘汰。将自适应布谷鸟算法应用于8个典型测试函数,实验结果表明,改进算法有效改善求解连续函数优化问题的性能,尤其适合求解高维、多峰的复杂函数。与相关的布谷鸟搜索算法比较,自适应布谷鸟搜索算法更具竞争力。

基于逐维改进的自适应步长布谷鸟搜索算法

步长的选取对于布谷鸟搜索算法的收敛速度与运算结果的精度起着关键作用。提出了一种基于逐维改进的自适应步长布谷鸟搜索算法。首先,在原始自适应步长布谷鸟搜索算法中,当上一代鸟窝位置为最优位置时,步长不再更新,则简单修正原有的步长让其更新;其次,将逐维更新评价策略引入修正后的自适应步长布谷鸟搜索算法。实验结果表明,该算法不仅平衡了全局寻优能力和寻优精度之间的矛盾而且具有较好的收敛速度。

基于自适应布谷鸟搜索算法的分数阶PID控制器设计

针对分数阶PID(fractional order PID,FOPID)控制器的设计问题,提出一种基于自适应布谷鸟搜索算法的分数阶PID控制器参数整定算法。为改进经典布谷鸟算法的收敛速度与计算精度,并充分发挥全局搜索和局部挖掘两者各自的优势,采用了基于系统误差的自适应步长策略。为保证布谷鸟搜索算法初始化种群的均匀性,采用佳点集法初始化种群替代经典算法中的随机初始化种群。最后对2类系统进行仿真实验,并将实验结果与现有结果进行对比,验证了基于自适应布谷鸟搜索算法的分数阶PID控制器的设计和参数整定方法的有效性和优良性。

求解多目标优化问题的改进布谷鸟搜索算法

针对求解多目标优化问题,提出一种改进的多目标布谷鸟搜索算法(IMOCS).相比于标准多目标布谷鸟搜索算法(MOCS),IMOCS在莱维飞行中使用动态自适应的步长控制量,并基于层级和拥挤度距离选择下一次莱维飞行的种群.为了验证算法的有效性,通过在测试实例(SCH,ZDT系列,LZ)计算所求Pareto前沿与真实Pareto前沿的广义距离和所求Pareto前沿的多样性来测试IMOCS的性能.结果表明,与MOCS,NSPSO,NSGA-II比较,IMOCS所求的广义距离更小,即由IMOCS所求Pareto前沿更加接近于真实Pareto前沿,同时IMOCS的Pareto前沿分布更加广泛和均匀,即多样性更好.

cRNA布谷鸟搜索算法的桥式吊车PID控制

为了提高算法的全局搜索能力,受RNA二级结构的启发,设计RNA茎环交叉算子,采用基于进化代数的自适应步长策略,提出RNA交叉操作布谷鸟搜索算法(cRNA-CS).将cRNA-CS算法用于对5个典型测试函数进行寻优.测试结果表明,cRNA-CS算法的搜索能力和寻优精度相对于CS算法和其他改进的CS算法有了明显提高.将cRNA-CS算法用于桥式吊车系统PID控制器参数的优化整定.仿真实验结果表明,与CS算法、单纯形算法和PSO算法相比,采用cRNA-CS算法优化的PID控制器能够实现桥式吊车系统更好的消摆和定位控制.

基于精英策略改进的自适应布谷鸟搜索算法

传统的布谷鸟搜索算法,在二维优化问题中经常出现陷入局部最优、寻优解精度低以及计算解偏差大等问题。针对于此,本文提出了一种基于精英策略改进的自适应布谷鸟搜索算法。该算法仿生生物群体中的精英策略,将布谷鸟群体按照黄金分割,划分为普通布谷鸟与精英布谷鸟两类。普通布谷鸟基于Levy飞行寻找巢穴寄生,提高了寻优解的精度,加快了后期的收敛速度;而精英布谷鸟则会围绕群体中心位置进行定向侦查,为种群提供更优的巢穴,提高了算法的鲁棒性,避免算法过早成熟,加强了布谷鸟群的全局搜索能力。同时,布谷鸟被寄主鸟发现的概率基于迭代次数而自适应变化,保证了布谷鸟后期将不断收敛于全局最优解。通过仿真对比实验,表明本文提出的改进算法在二维全局寻优上具有较好的鲁棒性与准确性。

改进布谷鸟搜索算法在轧制规程优化中的应用

针对轧钢精轧过程负荷分配的优化问题,使用基于梯度的自适应布谷鸟搜索(GBAQCS)算法对轧钢精轧机组负荷分配进行了仿真优化试验。首先优化目标函数,确定约束条件,对GBAQCS算法进行了收敛性和稳定性分析;接着对轧钢精轧机组轧制规程进行了优化计算,并对该算法与经验负荷分配法在轧钢精轧机组的负荷分配问题上的计算结果进行了对比。对比结果表明,GBAQCS算法不仅具有良好的收敛性与稳定性,且能够使钢材经过各机架后拥有更加合理的出口厚度,轧制过程中对轧制力的设定也更加符合生产要求。GBAQCS算法既能充分发挥前几个机架的设备能力,提供较大的轧制力,又能使后几个机架针对板形、板厚依次减小轧制力,大大提升了对板形、板厚的优化效果,在负荷分配优化过程中更为合理地分配了轧制力,满足了出口厚度与板形要求。

求解函数优化问题的改进布谷鸟搜索算法

为了提高布谷鸟搜索算法求解函数优化问题的求精能力和收敛速度,提出了一种基于自适应机制的改进算法。自适应机制用于控制缩放因子和发现概率,以提高种群的多样性,避免早熟,从而使更多的个体参与演化,达到提高求精能力和收敛速度的效果。仿真实验结果表明,与标准的布谷鸟搜索算法相比,基于自适应机制缩放因子的改进算法(rCS)和基于自适应机制发现概率的改进算法(paCS)在求精能力和收敛速度上都有明显的提高;同时具有自适应缩放因子和自适应发现概率的改进算法(iCS)比rCS和paCS具有更优的求精能力和收敛速度。

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。

一种求解高维复杂优化问题的动态自适应和声搜索算法

为了更好地提高求解高维复杂优化问题的能力,提出一种动态自适应和声搜索(DSHS)算法。该算法采用正交试验来设计算法的初始化和声记忆库;利用多维动态自适应调整算子和单维和声微调算子相结合的策略进行和声创作;改进和声音调调解步长,从而增强算法的扰动能力,避免其陷入局部搜索。通过6个标准Benchmark函数测试表明,该算法在全局搜索能力、收敛速度和稳定性方面都有明显提高。