CN108681771A - 一种混合布谷鸟搜索算法 - Google Patents
一种混合布谷鸟搜索算法 Download PDFInfo
- Publication number
- CN108681771A CN108681771A CN201810385089.6A CN201810385089A CN108681771A CN 108681771 A CN108681771 A CN 108681771A CN 201810385089 A CN201810385089 A CN 201810385089A CN 108681771 A CN108681771 A CN 108681771A
- Authority
- CN
- China
- Prior art keywords
- solution
- algorithm
- new
- mixing
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的混合布谷鸟搜索算法,将两个不同的一维更新策略引入到布谷鸟搜索算法中,同时,利用Levy分布的长跳跃特性,通过设置一个极限值来实现Levy飞行随机行走与一维更新策略之间的正确选取,不仅克服维间干扰并增强算法的局部搜索能力,也提高了算法跳出局部最优的概率,进而实现了勘探与开发之间的平衡;本发明能够有效提高布谷鸟搜索算法的收敛速度与收敛精度,并降低了算法的时间复杂度,对求解函数优化问题具有良好的收敛性能。
Description
技术领域
本发明属于函数优化技术领域,具体涉及一种混合布谷鸟搜索算法。
背景技术
近20年来,优化已成为求解复杂问题时的一个重要的理论工具。优化算法设计的主要目的是求解这些问题的最大或最小值。为了有效求解这些优化问题,研究者提出了许多优化算法,如粒子群(PSO)、遗传算法(GA)、差分进化(DE)以及教与学算法(TLBO)等。一般来说,这些算法可以分为两大类:确定性和随机性。作为一类随机性方法,元启发式算法通常是受到一些自然机制的启发而提出的,并已广泛应用于优化问题的求解。与传统的梯度方法相比,元启发式算法的搜索结果更加有效。
布谷鸟搜索(CS)算法是一种基于种群的启发式优化算法,它具有实现简单、控制参数少等优点。近年来,关于CS算法及其应用研究受到了业界的广泛关注。在算法研究方面,一些人研究了控制参数的自适应调整策略。如Valian等设计了一种基于步长因子和发现概率动态调整的改进CS算法。此外,一些人改进了候选解的生成策略。如Rakhshani等在原始CS算法中引入了学习机制以及搜索算子,以平衡全局和局部搜索能力。此外,一些研究侧重于将其它进化算法或技术引入到CS中,以处理复杂的优化问题。如Mlakar等提出了一种混合自适应CS算法,主要包括差分进化变异机制、参数自适应控制以及种群规模线性递减等策略。
虽然这些改进的CS算法提高了解的精度以及收敛速度,但仍有进一步提升的空间。实际上,勘探与开发之间的有效平衡在求解复杂优化问题时起着非常重要的作用,而原始CS算法则侧重于勘探。同时,鉴于所求解的问题往往具有多维特性,故而采用整体更新策略可能会出现维数之间的相互干扰,从而降低了解的质量。此外,Levy飞行随机行走由局部随机游动和偶尔的长跳跃组成。尽管随机长跳跃有利于提高算法的勘探能力,但可能会导致局部空间信息不能被充分地利用。此外,相关研究也证明了仅利用偶尔的长跳跃不能对解空间进行有效地探索,尤其是在求解复杂的多峰优化问题时,这一缺陷就更加明显。因此,这就需要探索一种有效的改进策略,以进一步提高CS算法的收敛性能。
发明内容
本发明的目的是提供一种混合布谷鸟搜索算法,能够有效提高布谷鸟搜索算法的收敛速度与收敛精度,并降低算法的时间复杂度。
本发明所采用的技术方案是,一种混合布谷鸟搜索算法,具体按照如下步骤实施:
步骤1、对以下参数进行初始化:种群规模N、优化问题的维数D、最大函数评价次数MaxFEs、极限值l、分布参数β、选择概率pe、控制参数R;
步骤2、生成初始种群,评估解的质量,确定最佳的适应度和最优解;
步骤3、生成初始的发现概率pa;
步骤4、算法迭代开始;
若R<l,采用一维更新策略来生成新的解;否则,采用Levy飞行随机行走来生成新的解;
步骤5、评估步骤4得到的新解的质量;若此解优于当前解,则用此解替换当前解,并且R设置为0;否则,R=R+1;
步骤6、采用偏好随机游走来生成新解;
步骤7、评估步骤6得到的新解的质量,若此解优于当前解,则用此解替换当前解,且保持pa不变;否则再次生成发现概率pa;
步骤8、判断当前的函数评价次数是否达到所预设的最大函数评价次数MaxFEs,若达到,则迭代结束;否则跳转至步骤4继续迭代;
步骤9、确定最佳的适应度和最优解。
本发明的特点还在于,
步骤3中,发现概率pa的生成规则为:
pa=N(0.5,0.12) (1);
步骤4中,Levy飞行随机行走定义为:
式(2)中,为所生成的新解,为当前解;k为当前迭代次数;α为步长;表示逐点乘积运算;L(λ)为随机搜索路径。
步骤4中,采用一维更新策略来生成新的解的具体过程如下:
生成一个随机数b,若b>pe,则用式(5)生成新解,
否则,用式(6)生成新解;
式(5)和式(6)中,γ为区间[-1,1]内的一个随机数,j为[1,D]上的任意一个整数,是第j维的当前解,和是从种群中无偏好随机选取的第j维且不同于的两个随机解。
步骤6中,偏好随机游走的更新规则为:
式(7)中,r和rand为区间[0,1]上均匀生成的随机数,m和n为[1,N]上随机选择且互不相等的整数。
本发明的有益效果是:
本发明的一种混合布谷鸟搜索算法,扩展了CS的算法框架,在该混合算法中,两个不同的一维更新策略被引入到布谷鸟搜索算法中,增强了算法的局部搜索能力,进而提高了算法的收敛速度和解的精度,另外,还定义了一个极限值,若未被改进的解的数量等于该极限值时,则采用Levy飞行随机行走策略以提高算法跳出陷入局部最优的概率,即所设定的极限值用于这些更新策略之间的正确选取;最后,利用正态分布来生成发现概率,并由解的质量来选取适宜的概率值,进一步提高了算法的收敛性能。
附图说明
图1为布谷鸟搜索(CS)、自适应布谷鸟搜索(ACS)、带变刻度因子的布谷鸟搜索(VCS)及本发明的混合布谷鸟搜索(HCS)算法针对单模函数Sphere的平均误差进化曲线;
图2为布谷鸟搜索(CS)、自适应布谷鸟搜索(ACS)、带变刻度因子的布谷鸟搜索(VCS)及本发明的混合布谷鸟搜索(HCS)算法针对多模函数Ackley的平均误差进化曲线。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
为了克服维间干扰并增强算法的局部搜索能力,本发明的一种混合布谷鸟搜索算法将两个不同的一维更新策略引入到布谷鸟搜索算法中。同时,利用Levy分布的长跳跃特性,通过设置一个极限值来实现Levy飞行随机行走与一维更新策略之间的正确选取,进一步提高了算法跳出局部最优的概率,进而实现了勘探与开发之间的平衡。
本发明一种混合布谷鸟搜索算法,具体按照如下步骤实施:
步骤1、对以下参数进行初始化:种群规模N、优化问题的维数D、最大函数评价次数MaxFEs、极限值l、分布参数β、选择概率pe、控制参数R;
步骤2、生成初始种群,评估解的质量,确定最佳的适应度和最优解;
步骤3、采用正态分布来生成初始的发现概率pa;
pa的生成规则为:
pa=N(0.5,0.12) (1);
步骤4、算法开始迭代;
每次迭代时均对R进行越界检验。若R<l,采用一维更新策略来生成新的候选解;否则,采用Levy飞行随机行走来生成新的解;
其中,Levy飞行随机行走定义为:
式(2)中,为所生成的新解,为当前解;k为当前迭代次数;α为步长;表示逐点乘积运算;L(λ)为随机搜索路径。
为了简化计算,L(λ)定义为:
式(3)中,μ和v为两个服从正态分布的随机数;β为区间[1,2]内的常数;φ的取值为:
其中,采用一维更新策略来生成新的解的具体过程如下:
生成一个随机数b,若b>pe,则用式(5)生成新解,
否则,用式(6)生成新解;
式(5)和式(6)中,γ为区间[-1,1]内的一个随机数,j为[1,D]上的任意一个整数,是第j维的当前解,和是从种群中无偏好随机选取的第j维且不同于的两个随机解。
利用一维更新策略来生成候选解以提高算法的局部开发能力。此外,式(5)中,和是从种群中无偏好随机选取的,故而具有较好的勘探性能;式(6)中,其它个体首先被吸引在当前解的邻域内,这有助于局部搜索。随之,以随机解为基础向量来生成候选解,这又有利于全局搜索。显然,式(5)和式(6)兼顾了勘探和开发能力,另外,利用正态分布随机数来生成发现概率pa,并由解的质量来自动选取参数值,具有良好的通用性。
步骤5:评估步骤4得到的新解的质量。如果此解优于当前解则用此解替换当前解,即并且R设置为0;否则,R=R+1;
步骤6:采用偏好随机游走来生成新解;
偏好随机游走的更新规则为:
式(7)中,r和rand为区间[0,1]上均匀生成的随机数,m和n为[1,N]上随机选择且互不相等的整数。
步骤7、评估步骤6得到的新解的质量,若此解优于当前解则用此解替换当前解,即且保持pa不变;否则采用式(1)再次生成发现概率pa;
步骤8、判断当前的函数评价次数是否达到所预设的最大函数评价次数MaxFEs,若达到,则迭代结束;否则跳转至步骤4继续迭代;
步骤9、确定最佳的适应度和最优解。
为了评估本发明的混合布谷鸟搜索算法(HCS算法)的性能,现采用一些国际上广泛使用的基准测试函数进行验证分析。表1给出了这些测试函数的相关信息。
表1测试函数
实验时,种群规模N设为50,优化问题的维数D等于30,最大函数评价次数MaxFEs为300000,极限值l=12,pe=0.5。为了进行比较分析,布谷鸟搜索(CS)、自适应布谷鸟搜索(ACS)以及带变刻度因子的布谷鸟搜索(VCS)也对这些测试函数进行寻优。此外,为了降低统计误差,每种算法均独立运行30次,表2给出了4种算法所获得的平均误差,图1给出了CS、ACS、VCS与HCS算法对表1中单模函数F1的平均误差进化曲线,图2给出了CS、ACS、VCS与HCS算法对表1中多模函数F8的平均误差进化曲线。从表2、图1和图2中可以看出,除了F3外,HCS算法均获得了最小的平均误差,且具有较快的收敛速度。显然,与其它算法相比,HCS算法明显提高了解的质量和收敛效率。
表2不同算法的平均误差比较
函数 | CS | ACS | VCS | HCS |
F1 | 1.10E–010 | 7.22E–022 | 4.59E–026 | 9.37E–052 |
F2 | 2.35E–005 | 1.42E–014 | 1.79E–015 | 5.77E–033 |
F3 | 1.02E–008 | 1.35E–005 | 8.20E–008 | 9.32E–007 |
F4 | 2.17E+000 | 1.99E–002 | 3.00E–003 | 8.08E–004 |
F5 | 1.88E+001 | 1.28E+001 | 9.53E+000 | 1.14E–008 |
F6 | 3.18E+003 | 3.50E+003 | 2.87E+003 | 3.82E–004 |
F7 | 4.32E+001 | 3.43E+001 | 3.51E+001 | 0.00E+000 |
F8 | 6.00E–001 | 5.84E–012 | 2.31E–013 | 7.52E–015 |
F9 | 2.02E–004 | 9.85E–004 | 2.47E–004 | 0.00E+000 |
F10 | 3.50E–003 | 4.37E–021 | 1.47E–024 | 1.57E–032 |
F11 | 4.24E–008 | 2.47E–020 | 5.22E–025 | 1.35E–032 |
Claims (5)
1.一种混合布谷鸟搜索算法,其特征在于,具体按照如下步骤实施:
步骤1、对以下参数进行初始化:种群规模N、优化问题的维数D、最大函数评价次数MaxFEs、极限值l、分布参数β、选择概率pe、控制参数R;
步骤2、生成初始种群,评估解的质量,确定最佳的适应度和最优解;
步骤3、生成初始的发现概率pa;
步骤4、算法迭代开始;
若R<l,采用一维更新策略来生成新的解;否则,采用Levy飞行随机行走来生成新的解;
步骤5、评估步骤4得到的新解的质量;若此解优于当前解,则用此解替换当前解,并且R设置为0;否则,R=R+1;
步骤6、采用偏好随机游走来生成新解;
步骤7、评估步骤6得到的新解的质量,若此解优于当前解,则用此解替换当前解,且保持pa不变;否则再次生成发现概率pa;
步骤8、判断当前的函数评价次数是否达到所预设的最大函数评价次数MaxFEs,若达到,则迭代结束;否则跳转至步骤4继续迭代;
步骤9、确定最佳的适应度和最优解。
2.如权利要求1所述的一种混合布谷鸟搜索算法,其特征在于,步骤3中,所述发现概率pa的生成规则为:
pa=N(0.5,0.12) (1)。
3.如权利要求1所述的一种混合布谷鸟搜索算法,其特征在于,步骤4中,所述Levy飞行随机行走定义为:
式(2)中,为所生成的新解,为当前解;k为当前迭代次数;α为步长;表示逐点乘积运算;L(λ)为随机搜索路径。
4.如权利要求1所述的一种混合布谷鸟搜索算法,其特征在于,步骤4中,采用一维更新策略来生成新的解的具体过程如下:
生成一个随机数b,若b>pe,则用式(5)生成新解,
否则,用式(6)生成新解;
式(5)和式(6)中,γ为区间[-1,1]内的一个随机数,j为[1,D]上的任意一个整数,是第j维的当前解,和是从种群中无偏好随机选取的第j维不同于的两个随机解。
5.如权利要求1所述的一种混合布谷鸟搜索算法,其特征在于,步骤6中,偏好随机游走的更新规则为:
式(7)中,r和rand为区间[0,1]上均匀生成的随机数,m和n为[1,N]上随机选择且互不相等的整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810385089.6A CN108681771A (zh) | 2018-04-26 | 2018-04-26 | 一种混合布谷鸟搜索算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810385089.6A CN108681771A (zh) | 2018-04-26 | 2018-04-26 | 一种混合布谷鸟搜索算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108681771A true CN108681771A (zh) | 2018-10-19 |
Family
ID=63802420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810385089.6A Pending CN108681771A (zh) | 2018-04-26 | 2018-04-26 | 一种混合布谷鸟搜索算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108681771A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647038A (zh) * | 2019-09-30 | 2020-01-03 | 五邑大学 | 一种桥吊滑模控制参数优化方法、装置、设备及存储介质 |
CN111105077A (zh) * | 2019-11-26 | 2020-05-05 | 广东电网有限责任公司 | 一种基于变异萤火虫算法的含dg配电网重构方法 |
CN111178487A (zh) * | 2019-12-20 | 2020-05-19 | 广东省能源集团有限公司 | 电力优化调度方法、装置、计算机设备和存储介质 |
CN111291967A (zh) * | 2020-01-13 | 2020-06-16 | 北京化工大学 | 基于布谷鸟搜索的隐马尔可夫模型食品安全风险评估方法 |
CN111695291A (zh) * | 2020-05-14 | 2020-09-22 | 中国电力科学研究院有限公司 | 一种用于确定长空气间隙击穿电压的方法及系统 |
CN116051591A (zh) * | 2023-03-29 | 2023-05-02 | 长春工业大学 | 一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法 |
-
2018
- 2018-04-26 CN CN201810385089.6A patent/CN108681771A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647038A (zh) * | 2019-09-30 | 2020-01-03 | 五邑大学 | 一种桥吊滑模控制参数优化方法、装置、设备及存储介质 |
CN110647038B (zh) * | 2019-09-30 | 2021-05-25 | 五邑大学 | 一种桥吊滑模控制参数优化方法、装置、设备及存储介质 |
CN111105077A (zh) * | 2019-11-26 | 2020-05-05 | 广东电网有限责任公司 | 一种基于变异萤火虫算法的含dg配电网重构方法 |
CN111105077B (zh) * | 2019-11-26 | 2021-09-21 | 广东电网有限责任公司 | 一种基于变异萤火虫算法的含dg配电网重构方法 |
CN111178487A (zh) * | 2019-12-20 | 2020-05-19 | 广东省能源集团有限公司 | 电力优化调度方法、装置、计算机设备和存储介质 |
CN111178487B (zh) * | 2019-12-20 | 2023-10-20 | 广东省能源集团有限公司 | 电力优化调度方法、装置、计算机设备和存储介质 |
CN111291967A (zh) * | 2020-01-13 | 2020-06-16 | 北京化工大学 | 基于布谷鸟搜索的隐马尔可夫模型食品安全风险评估方法 |
CN111695291A (zh) * | 2020-05-14 | 2020-09-22 | 中国电力科学研究院有限公司 | 一种用于确定长空气间隙击穿电压的方法及系统 |
CN116051591A (zh) * | 2023-03-29 | 2023-05-02 | 长春工业大学 | 一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法 |
CN116051591B (zh) * | 2023-03-29 | 2023-06-16 | 长春工业大学 | 一种基于改进布谷鸟搜索算法的带钢图像阈值分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681771A (zh) | 一种混合布谷鸟搜索算法 | |
Zhang et al. | Chaos-induced and mutation-driven schemes boosting salp chains-inspired optimizers | |
Yuan et al. | Evolutionary multitasking in permutation-based combinatorial optimization problems: Realization with TSP, QAP, LOP, and JSP | |
Ali et al. | An adaptive multipopulation differential evolution with dynamic population reduction | |
Gang et al. | A novel particle swarm optimization algorithm based on particle migration | |
Zheng et al. | A hybrid fireworks optimization method with differential evolution operators | |
Wang et al. | A new improved firefly algorithm for global numerical optimization | |
Castelli et al. | Geometric semantic genetic programming with local search | |
Bi et al. | A niche-elimination operation based NSGA-III algorithm for many-objective optimization | |
Ali et al. | A modified cultural algorithm with a balanced performance for the differential evolution frameworks | |
Fan et al. | Zoning search with adaptive resource allocating method for balanced and imbalanced multimodal multi-objective optimization | |
Qi et al. | Directional mutation and crossover for immature performance of whale algorithm with application to engineering optimization | |
CN107193942A (zh) | 一种有向图中所有连通子图的快速生成方法 | |
Patel et al. | Search on a hypercubic lattice using a quantum random walk. II. d= 2 | |
Liu | Mathematical modeling analysis of genetic algorithms under schema theorem | |
Hassanat et al. | Enhancing genetic algorithms using multi mutations: Experimental results on the travelling salesman problem | |
CN111832135A (zh) | 基于改进哈里斯鹰优化算法的压力容器结构优化方法 | |
CN108985438A (zh) | 一种基于邻域拓扑的布谷鸟搜索算法 | |
Zhao et al. | Improved backtracking search algorithm based on population control factor and optimal learning strategy | |
Zouache et al. | An external archive guided Harris Hawks optimization using strengthened dominance relation for multi-objective optimization problems | |
Li et al. | Search experience-based search adaptation in artificial bee colony algorithm | |
Šprogar | Prudent alignment and crossover of decision trees in genetic programming | |
Pham et al. | Split learning without local weight sharing to enhance client-side data privacy | |
Ye et al. | A Multi-parent memetic algorithm for the linear ordering problem | |
Chang et al. | Multiobjective permutation flow shop scheduling using MOEA/D with local search |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181019 |