基于改进布谷鸟搜索算法的WSN覆盖优化策略

针对传感器节点分散不均、覆盖程度低及汇聚层Sink节点冗余等问题,设计了一种双层无线传感器网络覆盖优化方法,该方法对传统布谷鸟搜索算法进行了改进。首先,在种群初始化过程中采用了量子位Bloch球面坐标,可以保持较高的多样性;其次,针对布谷鸟搜索算法的Levy飞行寻优阶段,改进候选解更新方法,随机生成每个纵向维度的新候选解;最后,基于逐维更新贪婪评价策略进行随机游动选择。通过这些改进方式提升了布谷鸟搜索算法的迭代速度和精度,避免相同维度间的干扰。实验结果表明,该改进算法与传统布谷鸟搜索算法、外推人工蜂群算法相比,传感器节点覆盖率分别提高了1.79%和9.87%,汇聚层Sink节点冗余率降低5.13%和21.28%。

逐维改进的布谷鸟搜索算法

布谷鸟搜索(cuckoo search,简称CS)算法是一种新兴的仿生智能算法,对解采用整体更新评价策略.在求解多维函数优化问题时,由于各维之间相互干扰,采用整体更新评价策略将恶化算法的收敛速度和解的质量.为了弥补此缺陷,提出了基于逐维改进的布谷鸟搜索算法.在改进算法的迭代过程中,针对解采用逐维更新评价策略.该策略将各维的更新值与其他维的值组合成新的解,并采用贪婪方式接受能够改善解质量的更新值.实验结果说明,改进策略能够有效地提高CS算法的收敛速度并改善解的质量.与相关的改进布谷鸟搜索算法以及其他演化算法的比较结果表明,改进算法在求解连续函数优化问题上是具有竞争力的.

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。

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。

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。

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。

改进的布谷鸟搜索算法对支持向量机参数优化

针对支持向量机(SVM)惩罚因子和核函数参数选择困难的问题,提出改进的布谷鸟搜索算法(GFCS)优化SVM参数模型(GFCS-SVM)。GFCS算法从3个方面改进原始布谷鸟搜索算法的寻优能力:用动态发现概率代替固定发现概率,自适应地调整布谷鸟莱维飞行的步长控制因子,在布谷鸟随机游走更新公式中改进动态惯性权重。利用GFCS算法优化SVM的惩罚因子和核函数参数,并在UCI数据集进行测试。与传统的SVM、粒子群算法优化SVM、萤火虫算法优化SVM和布谷鸟搜索算法优化SVM相比,GFCS-SVM分类准确率最高,是一种有效的SVM参数优化算法。

基于改进布谷鸟搜索算法的TFT-LCD制造调度方法

针对基于改进布谷鸟搜索算法的TFT-LCD制造cell阶段绿色调度问题,建立了以最小化最大完工时间和碳排放总量为目标的数学模型.采用基于机器选择、转速选择和工序选择的三段式编码,应用在步长因子前加入动态系数的改进布谷鸟搜索算法,结合双元锦标赛和动态淘汰制来构建Pareto最优解集.通过对某车间实际生产数据进行仿真,验证了模型和算法的有效性,仿真结果表明,改进布谷鸟搜索算法在保障最大完工时间的前提下,可以有效的减少碳排放量.

采用改进最优模糊C均值聚类和改进和声搜索算法的配电网动态重构

针对配电网络动态重构中的开关操作次数约束难以处理与和声搜索算法寻优效率低的问题,分别提出了改进的最优模糊C均值聚类法和改进的和声搜索算法,利用前者对研究时间区间的负荷进行聚类从而将配电网动态重构转为以聚类中心代表各分段负荷的多个静态重构子问题,利用后者对各静态重构问题进行求解。每个时间点的优化网络结构由相应的聚类中心的重构结果决定,由此得到配电网络重构的操作时间点和操作开关。在IEEE 33节点配电系统负荷数据的基础上构建1天的负荷数据并对该系统进行动态重构。研究结果表明,该方法能够控制开关操作次数,提高静态重构算法的寻优效率。

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。

交互式学习的布谷鸟搜索算法

针对布谷鸟搜索算法在求解旅行商问题时,存在初期信息缺乏严重和收敛速度慢等问题,提出一种交互式学习的布谷鸟搜索算法(Interactive Learning Cuckoo Search Algorithm,ILCSA)。为提高布谷鸟搜索算法的搜索效率,结合蚁群优化算法构建双层交互学习模型,将蚁群作为底层种群,布谷鸟作为高层种群,双种群互相学习,合作寻优,提高搜索速度;此外,在布谷鸟搜索算法中引入强化学习策略,自适应更新步长,并对发现概率进行动态调整,深度优化最优解,进一步提高解的质量。最后采用多组不同规模的标准TSPLIB算例与其他优化算法进行对比,结果表明ILCSA算法在求解精度和稳定性方面表现更优。

基于改进布谷鸟算法的自适应负载均衡算法

针对负载均衡算法在高负载请求下服务器集群效率不高,负载不均衡及低负载请求下影响服务器效率的问题,文中基于Nginx负载均衡服务器,提出一种基于改进布谷鸟算法的自适应负载均衡算法。该算法通过熵权法确定CPU、内存、磁盘IO性能和网络带宽等各项负载指标的权系数,衡量各项负载指标对负载评价影响的重要程度,并基于Nginx加权轮询算法和服务器实时负载情况,设计了高并发负载情况下的动态负载均衡算法。引入转化阈值计算,通过引入基于种群熵的改进布谷鸟算法计算Nginx静态加权轮询算法,转变为动态负载均衡算法的转化阈值。通过实验测试,相较于WRR算法、least-con算法和动态权重算法,该算法在响应时间和实际并发数等方面具有表现更好,在数值上相比于动态权重算法有18%左右的提升,验证了本文算法具有更好的负载均衡效果。

改进的自适应大规模邻域搜索算法求解动态需求的混合车辆路径问题

为了给物流企业在车辆配送方案制定上提供决策支持,针对电动物流车与燃油物流车混合配送的模式,研究了带时间窗的动态需求车辆路径问题,建立了以配送总成本最小化为目标的两阶段整数规划模型。针对模型特点,设计了改进的自适应大规模邻域搜索(improved adaptive large neighborhood search,IALNS)算法,提出新的删除、修复算子及动态阶段加速策略,分别针对大规模的静态算例与动态算例进行算法性能测试。结果表明,与无改进策略的IALNS(IALNS-ND)相比,静态问题中在相同的求解时间内75%的算例(12个算例中9个)IALNS得到的最小值和平均值优于IALNS-ND,动态问题中95%(60个算例中57个算例)的算例可以得到成本和时间均优于IALNS-ND的解;与三种算法——自适应大规模邻域搜索算法(ALNS)、大规模邻域搜索算法(LNS)以及变邻域搜索算法(VNS)相比,静态问题中所有算例IALNS获得的总成本的最小值和平均值均优于三个对比算法,动态问题中58%(60个算例中35个算例)的算例IALNS能够以少于三个对比算法1.5倍甚至10倍的时间获得更优的解。同时随着问题动态度的提高,IALNS的速度更快,质量更好,证明了该算法在求解时效性要求高的动态需求车辆路径问题的优越性。

基于动态分组与混沌扰动的改进布谷鸟算法

针对布谷鸟算法(CS)求解速度不够快、精度不够高的问题,给出一种基于动态分组与混沌扰动的改进布谷鸟算法(ICS),并通过5种经典的测试函数对其性能进行测试.仿真实验结果表明,ICS比CS有更快的求解速度和更高的求解精度.

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。

基于改进的布谷鸟算法的南湾水库增效扩容改造研究

南湾水库电站长时间运行以来,设备老化问题相当突出,发电效率低下,水能利用率同样很低。为了提高水能资源的利用率,对南湾电站进行增效扩容改造是势在必行的。为此,应用布谷鸟搜索算法对南湾水库进行增效扩容改造的水能复核计算,并与传统的动态规划算法进行比较,计算表明,布谷鸟搜索算法结果可靠合理且计算效率高,可为水库调度提供新思路及新方法;同时,根据计算结果,进行综合评价,建议南湾水库电站的装机容量由原来的5440 kW增加到7840 kW。

自适应动态邻域布谷鸟混合算法求解TSP问题

针对离散布谷鸟算法求解旅行商问题时邻域搜索效率低和易陷入局部最优解等问题,提出了一种自适应动态邻域布谷鸟混合算法(Adaptive Dynamic Neighborhood Hybrid Cuckoo Search algorithm,ADNHCS)。为了提升邻域搜索效率,设计了一种圆限定突变的动态邻域结构来降低经典算法的随机性;此外,提出了可根据迭代过程进行自适应参数调整的策略,并结合禁忌搜索算法来提升全局寻优的能力。使用MATLAB和标准TSPLIB数据库中的若干经典算例对算法性能进行了实验仿真,结果表明与其他基于布谷鸟算法、经典和新型群智能优化算法相比,ADNHCS算法在全局寻优能力以及稳定性方面表现更优。

改进的引导式邻域搜索算法求解周期性车辆路径问题

在引导式邻域搜索算法静态惩罚策略的基础上,提出动态惩罚策略,设计改进的引导式邻域搜索算法,将其用于求解周期性车辆路径问题,采用标准算例进行数据实验,对动态与静态的惩罚策略进行对比.结果表明,采用改进的引导式邻域搜索算法求解周期性车辆路径问题可行有效.

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。

发现概率参数自适应调节的布谷鸟改进算法

布谷鸟搜索算法(CS)是一种受生物启发的新型群智能优化算法。针对CS算法在搜索后期收敛速度慢并且寻优能力弱的问题,提出一种发现概率参数自适应调节的布谷鸟改进算法(APCS)。首先利用Pareto最优解计算出状态判别参数P_s,其次通过探索-开发平衡状态计算出平衡参数P_(eb),最终实现鸟蛋的被发现概率P_a的自适应动态调整。最后通过8个基准函数对两种算法的性能在10维和30维的情况下分别进行了对比与分析,结果表明,APCS算法的收敛速度、寻优能力、稳定性和计算时间都优于CS算法。