引入蛙跳局部搜索和混沌原理的布谷鸟算法

摘要

20世纪后期，随着科学技术的飞速发展，启发式智能算法脱颖而出，通过模拟生物的行为或者自然现象来解决问题，已经逐渐成为整个优化领域的一个热点。并且，很多群智能优化算法已经成功应用在工程优化领域，而且完成了基本的理论论证。
　　2009年，由剑桥大学的YANG Xin-she和拉曼工程大学的Deb Suash通过模拟布谷鸟寻窝产蛋这一行为，提出了新的群体智能搜索算法--布谷鸟（Cuckoo Search， CS）算法。与传统算法相比，CS算法拥有较少的控制参数、搜索路径优、鲁棒性好、全局寻优能力强等特点。由于CS算法也存在着局部搜索能力较弱、搜索速度偏慢和收敛精度不高等缺点，本文针对这些问题，对CS算法进行改进研究．主要的工作如下：
　　（1）首先，对布谷鸟算法（CS）进行分析研究，详细介绍布谷鸟算法的背景、相关理论基础知识，其中包括布谷鸟算法的原理、步骤、以及目前的研究状况。
　　（2）提出一种改进的布谷鸟算法。首先，利用混沌原理来保持初始种群的多样性，以改善算法的寻优性能，其次，引入混合蛙跳算法的局部搜索机制加强局部搜索，以加强算法的收敛速度，最后，引入惯性权重，使得布谷鸟算法有拓展搜寻空间的趋向，有能力去搜寻新的区域。
　　（3）应用随机过程的有关理论和 Markov模型对改进的布谷鸟算法进行理论的证明，检验改进的布谷鸟算法的收敛性。同时，通过复杂的测试函数对改进的布谷鸟算法进行仿真实验，以检验算法的有效性和可行性。表明，改进的布谷鸟算法有较好的稳定性和全局搜索能力。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1研究背景以及研究意义

1.2群体智能搜索算法的概况

1.3几种常见的智能优化算法

1.4布谷鸟算法国内外研究的现状

1.5本文的工作安排

第二章 布谷鸟算法及改进算法简介

2.1基本的布谷鸟算法原理

2.2基本布谷鸟算法步骤

2.3基本布谷鸟算法的流程图

2.4改进的布谷鸟算法

2.5本章小结

第三章 混沌原理和蛙跳算法及惯性权重简介

3.1混沌原理简介

3.2随机蛙跳算法

3.3惯性权重

3.4本章小结

第四章引入蛙跳局部搜索和混沌原理的布谷鸟算法

4.1 布谷鸟算法在函数优化方面存在的不足

4.2本文改进的布谷鸟算法的迭代步骤（ACS）

4.3本文改进的布谷鸟算法流程图

4.4参数设置以及仿真实例

4.5数值实验结果

4.6实验结果分析

4.7本章小结

第五章 ACS算法的收敛性分析

5.1收敛准则

5.2 ACS算法基本概念数学定义

5.3 ACS算法的Markov模型建立

5.4 ACS算法的收敛性分析

5.5本章小结

结论

一、布谷鸟算法的总结

二、布谷鸟算法的展望

三、布谷鸟算法的研究成果和主要内容以及不足之处

参考文献

致谢

攻读硕士期间的主要成果