混合自适应布谷鸟算法的物流配送路径优化

为了有效解决多仓库多配送点物流配送时间长和路径远等问题,提出一种多仓库多配送点物流配送路径优化算法。为了满足多仓库多配送点物流配送需求,将最少调用车辆数量和最短配送总距离为目标,确定目标函数及其约束条件,建立多仓库多配送点物流配送路径优化模型。改进布谷鸟算法和粒子群算法,将改进后的算法结合,利用混合自适应布谷鸟算法求解优化模型,同时对混合自适应布谷鸟算法离散化处理,获取最优物流配送路径。仿真实验结果表明,所提算法可以在较短的时间内完成物流配送,且物流运输路径较短,覆盖率更广,能够获取更加满意的物流配送方案。

改进布谷鸟算法在装配序列规划中的应用研究

针对装配序列规划问题,建立考虑装配序列的几何可行性、稳定性、聚合性、重定向性的装配关系模型以及基于适应度函数的装配序列优化数学模型。提出一种改进布谷鸟算法对装配序列规划问题进行求解,采用随机键和最小位置规则的方法设计基于零件编号、装配方向、装配工具的3层编码方案;设计基于最小装配成本的初始化策略与随机初始化策略相结合的混合种群初始化策略,提高种群质量;改进种群进化和搜索方式,将种群分为3个子群,并分别采用自适应步长飞行、标准步长飞行和交叉、变异的方式进行种群更新,提高算法的收敛速度和求解精度。最后通过实例应用及与其他算法的比较,验证了所提出的改进布谷鸟算法在求解装配序列规划问题上的有效性和优越性。

基于改进布谷鸟算法的物流配送中心选址研究

近年来,物流行业不断发展壮大,配送中心作为物流系统中承上启下的关键节点,在减少物流配送成本、提高服务响应效率上具有十分重要的战略价值。针对供应链环节中因多源多点造成的配送成本增加、库存周转率低等痛点,文中提出了一种改进的布谷鸟算法用于解决物流配送中心选址问题。该算法在传统的布谷鸟算法的基础上,引入粒子群优化算法,将两者有效地组合起来进行求解,并在求解过程中增加自适应参数,以避免出现局部最优现象,增加全局搜索能力。实验表明,相较于其他启发式算法,在解决配送中心选址问题上,改进布谷鸟算法能够有效降低物流配送成本,加快求解速度,提高库存周转次数,为企业物流的预算方案提供参考依据。

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。

基于自适应布谷鸟算法的摄像机标定方法研究

该文将自适应布谷鸟算法应用于摄像机标定中,解决传统摄像机标定算法参数多、计算量大等问题。通过对参数进行布谷鸟算法优化,解决群个体陷入局部最优的问题,增强算法全局寻优能力,从而提高布谷鸟算法的多样性。实验结果表明,该算法具有较好的全局搜索能力和避免局部最优的能力,可以准确地完成摄像机标定,在收敛精度、速度以及鲁棒性等性能上显著优于遗传算法、差分进化算法、基本布谷鸟搜索算法。

随机变异的自适应布谷鸟搜索算法

布谷鸟搜索算法现在还存在收敛精度不高、寻优效果不佳的问题。为解决这类问题,本文在基本布谷鸟搜索算法的基础上引入了惯性权重和变异策略。优化后的布谷鸟搜索算法在搜索精度和寻优效果上都有了大幅度的提升。实验测试结果显示,改进算法比其它算法在函数优化上效果更加明显。

基于布谷鸟搜索算法的智能电网资源自适应调度方法

现阶段智能电网资源自适应调度过程中,电网运行成本和电网碳排放均比较高,无法满足智能电网运行经济性与环保性需求,因此,提出基于布谷鸟搜索算法的智能电网资源自适应调度方法。以电网运行成本最低、碳排放最少和用户满意度最高为目标设置调度目标函数,并对电网资源调度功率平衡设定约束条件,利用布谷鸟搜索算法求解最优调度方案,以此实现基于布谷鸟算法的智能电网资源自适应调度。经实验证明,应用设计方法后,智能电网运行成本为1152.64元/d,碳排放为51.24t/d,经济性与环保性效果良好,在智能电网资源自适应调度方面具有良好的应用前景。

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。

自适应混合布谷鸟算法在水电站调度中的应用

针对布谷鸟算法局部搜索能力较弱,搜索质量不高的缺点,在标准布谷鸟算法中加入自适应步长策略、边界变异策略,并与模拟退火算法结合成自适应混合布谷鸟算法。经测试函数验证,自适应混合布谷鸟算法与标准布谷鸟算法相比有结果更优,收敛速度更快的优点。将自适应混合布谷鸟算法引入水电站的调度中,通过新疆玛纳斯一级电站验证了该算法的可行性,为求解水电厂优化调度模型提供了一种新思路。

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.

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。

基于自适应布谷鸟搜索算法的Tsallis熵阈值图像分割

针对现有图像分割算法中计算复杂度大的问题,提出一种基于自适应布谷鸟(adaptive cuckoo search,ACS)算法的Tsallis熵阈值图像分割方法,能够改善学习过程和收敛速度,减少分割时间.该方法使用Tsallis熵作为ACS的适应度函数值,实现无参数搜索过程,在搜索空间中使用当前位置的知识来自适应步长,最后使用ACS最大化Tsallis熵来获得最优阈值,得到分割图像.实验结果表明,该文方法能够有效实现图像分割,且分割时间低于粒子群优化算法、布谷鸟搜索算法和改进布谷鸟搜索算法,结构相似性(Structural Similarity, SSIM)和收敛成功率高于其他算法.

基于改进自适应布谷鸟算法的云制造资源配置优化研究

针对云制造资源优化配置模型求解的相关问题,在基本布谷鸟算法(CS)的基础上提出了一种改进自适应布谷鸟算法(SAACS),并将其应用于求解云制造优化资源配置问题。改进自适应布谷鸟算法对基本布谷鸟算法的部分参数和Levy飞行步长做了自适应性调整,加入了双向搜索策略,并引入模拟退火思想,可以在云制造资源配置中快速地求出最优解,获得一条最优资源服务链。最后通过算例验证了该算法求解资源配置问题的有效性和准确性。

基于模拟退火-自适应布谷鸟算法的城市公交调度优化研究

为改善城市常规公交运营效率,提出基于模拟退火-自适应布谷鸟算法的公交调度优化模型。通过结合线路实际客流数据反映的客流特征,建立考虑公交公司和乘客双方利益的公交调度优化模型;改进布谷鸟算法固定步长并加入模拟退火算法退火操作,设计模拟退火-自适应布谷鸟算法,改善寻优过程中跳出局部最优解而全局寻优的能力;以福州125路公交线路为例,将该线路客流特征数据应用于模型和求解算法中。结果表明,基于不同利益方权重下通过模型算法计算出的结果均优于现有调度方案,验证了模型及算法的有效性及实用性。

基于模拟退火的自适应布谷鸟算法求解公交调度问题

根据实际应用中布谷鸟算法体现出的局部搜索能力差的问题,本文采用算法结合的方式把模拟退火算法结合其中,同时动态更改发现概率以及搜索步长,使之变成自适应混合布谷鸟算法。利用标准测试函数进行检验,发现此结合算法能够很好地提高算法运算质量,收敛速度较快。通过实际应用,将该算法引入到公交调度系统当中,效果较好,这为公交系统优化研究提供了一个新颖的方法。

基于结合自适应步长布谷鸟搜查算法的模糊神经网络的软件可靠性增长模型

针对现有的软件可靠性增长模型(SRGM)适用性较差、预测精度波动大的问题,使用自适应步长布谷鸟搜查(ASCS)算法对模糊神经网络(FNN)的权重和阈值进行寻优,利用得到了最优权重和阈值的FNN建立SRGM。在使用缺陷数据对FNN训练的过程中,利用ASCS来调整FNN的权重和阈值,以此提高在预测过程中的精度,同时采用多次预测结果取均值的方式来减小FNN预测的波动性,以此建立基于结合自适应步长布谷鸟搜查算法的模糊神经网络(ASCS-FNN)的软件可靠性增长模型。利用3组软件缺陷数据,以误差比均值和误差平方和作为衡量标准,对基于ASCS-FNN、结合模拟退火算法的动态模糊神经网络(SA-DFNN)、FNN、BP网络(BPN)建立的SRGM的一步向前预测能力进行比较。预测结果表明,在四组模型中,基于ASCS-FNN建立的SRGM相对于SA-DFNN、FNN、BPN建立的SRGM的平均预测精度相对提高率RI(AE)和RI(SSE)分别为-1.48%、54.8%、33.8%和14.4%、76%、35.9%,并且该模型比FNN、BPN建立的SRGM在相同缺陷数据下的预测波动性小,而且网络结构比SA-DFNN的网络结构简单。因此该模型具有预测精度较高、预测稳定和具有一定的适用性等优点。

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。

融合鸟巢扰动与动态惯性步长的布谷鸟算法

针对布谷鸟算法(CS)寻优精度低、易陷入局部最优解的问题,提出一种融合鸟巢扰动与动态惯性步长的布谷鸟优化算法(CMCS)。首先,通过引入Logistic算子优化初始种群,提高种群多样性;其次,对发现概率和Levy飞行引入动态函数,平衡算法全局搜索和局部搜索并提高算法搜索精度;再次,引入动态扰动策略,对陷入局部最优解的种群进行扰动,进一步提高算法跳出局部最优解的能力。最后,采用8个测试函数与其它改进算法比较,结果表明,改进的布谷鸟算法在收敛精度,跳出局部最优解方面优于其它算法。