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。

基于种群熵的变步长布谷鸟搜索算法

为了进一步提高布谷鸟搜索(Cuckoo Search, CS)算法的寻优性能,将种群熵的概念引入到莱维飞行机制中,基于寻优过程中布谷鸟种群的分布情况,来构建出可以实时变化的改进步长控制因子,提出了基于种群熵的变步长布谷鸟搜索(Variable Step-size Cuckoo Search based on Population Entropy, PE-VSCS)算法。利用8个标准测试函数分别对CS算法和PE-VSCS算法进行性能测试,从仿真结果可以得知,面对单峰函数问题或多峰函数问题时,无论函数维度是低是高,PE-VSCS算法的寻优性能均超过CS算法,从而证明了改进步长控制因子的有效性。

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。

布谷鸟搜索算法研究及其应用进展

为进一步加强布谷鸟算法的搜寻能力并提升收敛速度,加快对算法的研究与应用进程,综述了布谷鸟算法的原理、研究概况和其他同类群体智能优化算法的比较及发展趋势。首先给出了算法的基本模型和实现步骤;然后重点阐述了基于发现概率和步长控制量、基于自适应步长、基于混沌理论、与其他算法混合、基于种群特征和种群变异、结合优化策略及基于种群多样性等方面的改进方法,总结了算法的主要应用领域及其进展;随后将其与遗传算法、蚁群优化算法、粒子群优化算法及人工蜂群优化算法的优点、缺点及适用性诸方面进行了对比;最后指出了布谷鸟搜索算法尚存在的缺陷并对进一步的研究方向进行了展望。

新型布谷鸟搜索算法及其应用

为了解决通常布谷鸟搜索算法在寻优过程中存在收敛速度慢、计算精度差等缺陷,提出了一种新型的布谷鸟搜索算法,并应用于图像配准问题。首先分析了基本布谷鸟搜索算法中的不足,利用信息分享、局部增强算子和新方式建立鸟巢来提高种群多样性、局部勘探能力和收敛速度。通过15个基准函数实验和2个医学图像配准实例,所有实验结果表明,改进算法具有更好的收敛速度、计算精度和鲁棒性。

基于混合并行布谷鸟搜索的作业调度算法

针对布谷鸟搜索算法在解决作业调度问题时存在收敛速度慢等问题,提出一种基于混合并行布谷鸟搜索的作业调度算法。在传统布谷鸟搜索基础上,结合多核集群的拓扑结构特点,将消息传递编程模型MPI与共享存储编程模型OpenMP结合,采用基于作业优先级的编码方式将布谷鸟搜索算法中的鸟巢位置转换为作业调度序列进行求解。仿真结果表明,与传统的串行布谷鸟搜索算法相比,使用该方法求解作业调度问题的收敛速度有明显加快。

改进型布谷鸟搜索算法的防空火力优化分配模型求解

针对防空火力优化分配中火力资源易浪费且易延误战机的问题,将毁伤概率门限、飞临时间以及威胁度等因素相结合,构建一种改进的防空火力优化分配模型。基于此模型,提出一种多种群并行布谷鸟搜索算法求解防空火力多维整数优化分配问题。利用多个种群同时进行全局探索和局部开发,并通过移民算子进行各种群间的信息交流;为进一步提高全局探索能力,引入柯西变异算子构建新的全局搜索模型;在算法局部开发过程中,采用贪婪方式,逐维搜索。仿真结果表明:所建火力优化分配模型能有效地抓住战机,避免火力资源浪费;所提优化算法能较好地平衡全局探索和局部开发,在保证较高收敛速度的同时,提高了全局探索能力。

一种并行多目标遗传邻域搜索算法

现有的多目标遗传算法在解决大规模多目标生产调度问题时虽然有效,但往往非常耗时,难以应用于实际。为了提高求解效率,提出了一种并行多目标遗传邻域搜索算法来求解Pareto边界。该算法将多目标遗传算法的进化方向划分为若干范围,然后同时对每个进化方向的范围使用多目标遗传邻域搜索算法,并行地搜索各方向范围内的Pareto边界;在各进化方向范围内进化的子种群会定期交流各自进化成果。多目标遗传邻域搜索算法的并行化在不增加求解时间的前提下,提高了求解精度,加快了算法的收敛速度。仿真实验结果验证了算法的可行性与有效性。

基于反向学习策略的深度搜索布谷鸟算法

布谷鸟搜索算法(CS)是一种简单有效的仿生学优化算法,但在处理高维复杂问题时不能快速收敛得到最优解,针对此问题,本文引入反向学习策略和逐维深度搜索策略改进基本的CS。在布谷鸟算法的搜索阶段,通过对Levy飞行后的解进行反向学习,从而有效提升最优解的搜索效率;另外,在每一代结束后,对当前的全局最优解进行逐维深度搜索,捕捉潜在最优解,弥补搜索步骤可能出现的问题。实验结果表明,本文对算法提出的改进,提高了算法的全局搜索能力,收敛速度以及收敛精度。

基于种群特征反馈的布谷鸟搜索算法

布谷鸟搜索(CS)算法是一种新型的生物启发式算法.为了提高算法对不同优化问题的适应能力,根据反馈控制原理提出一种基于种群特征反馈的布谷鸟搜索(SFFCS)算法,将年龄结构、变异成功率等种群特征作为反馈信息引入算法框架,动态调节算法参数,同时引入双进化策略机制和策略选择概率,加强算法对局部搜索和全局搜索的平衡能力.对标准测试函数和电力系统最优潮流问题进行数值实验,实验结果表明,SFFCS算法具有较好的收敛性能和适应能力,验证了所提出算法的有效性和工程应用价值.

基于改进火力分配模型的综合防空火力智能优化分配

针对综合防空火力分配中,传统火力分配模型没有全面考虑火力通道射击效能因素,且在火力资源相对充足的情况下火力资源易浪费和易延误战机的问题,将射击有利度、飞临时间与威胁度等因素结合,构建一种新的综合防空火力分配模型.基于此模型,针对来袭目标、火力节点以及制导节点3者之间的火力优化匹配问题,提出一种基于深度优先搜索预处理的多种群并行布谷鸟搜索算法(PMPCSA).该方法采用Prolog智能规划语言构建目标-火力节点-制导节点匹配规则库,在规则库中利用深度优先搜索快速生成可行的目标-火力节点-制导节点的匹配预处理方案;采用多种群并行布谷鸟搜索算法,对得到的可行分配空间进行搜索,通过引入多种群并行优化搜索,不同种群赋予不同控制参数的思想,兼顾算法的全局探索和局部开发能力,可有效提高算法寻优效率.最后,通过仿真结果验证所建综合防空火力分配模型的优势性,同时表明,所提出的PMPCSA算法能有效地平衡全局探索与局部开发,在保证较高收敛速度的同时,提高全局探索能力.