基于收缩因子策略的布谷鸟搜索算法

摘要

最优化问题旨在通过合理的利用系统中的资源，以最小的代价和最佳的解决方案，取得最优的效果。最优化问题具有广泛适用性，它被应用到众多领域当中。群智能优化算法是基于仿生学的一种启发式概率型搜索算法，属于新兴演化计算方法，接通信、鲁棒性、自组织性、易实现等都为该算法的特点。该算法攻克最优化问题的核心方法是通过对动物或昆虫进行模拟和更新迭代等方式。它通过模拟布谷鸟在宿主的鸟巢中寄生卵的寻优搜索行为，解决一系列连续型优化问题。它本身具有参数少，易实现、较好的鲁棒性等特点。但种群活性不高、收敛速度受到限制、求解精度不高等也是该算法需要改进的方面。
　　论文研究了相关群智能优化算法，并重点分析了经典布谷鸟搜索算法，引入收缩因子等策略，提出一种改进的布谷鸟搜索算法（CFCS）。在算法的初始化阶段，引入改进后的Tent混沌序列，初始化鸟窝位置在每一维的空间分布，增强了鸟窝位置分布的均匀性；同时引入改进后的反向学习策略，得到每个鸟窝位置在空间中的反向解，然后根据适应度公式，得到适应度值较优的一组鸟窝位置，提高了种群的活性和收敛速度。在更新迭代阶段，引入收缩因子策略，通过动态调整寻优步长，使得算法在进化前期以自适应的步长进行寻优搜索，在进化后期快速地趋向最优解，提高了算法的收敛速度；当算法滞留在局部最优解时，偶尔地趋向于最差解，有利于算法跳出局部最优。最后，引入改进后的基于适应度排序的选择策略，通过适应度函数把目标函数值进行变换，使得鸟窝位置的发现概率可以根据适应度优劣情况进行差异化的调整，有利于目标函数值较优的鸟窝位置进行更新变异，提高算法的收敛精度，目标函数值较差的个体偶尔也有几率进行更新变异，使算法具有跳出局部最优的能力。
　　本文采用五种单峰函数和四种多峰函数对CS算法和CFCS算法分别进行实验，证明CFCS算法在性能上较CS算法有明显的提升。实验结果表明CFCS算法在性能上优于引入第二代莱维飞行策略的CS算法，较好地提升算法在整个进化过程中的收敛速度和全局寻优能力，并且避免陷入局部最优的境况，证明CFCS算法的优越性。本文主要的研究方向是布谷鸟搜索算法的改进方法。均匀地初始化鸟窝位置、自适应地调整寻优步长、动态地调整鸟窝位置的发现概率，都是提高布谷鸟算法性能的改进方法。在后续工作中，将深入研究这些改进方法，以更好地改变CFCS的性能，并期望把CFCS算法应用于实际领域当中。

目录

声明

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1.1研究背景

1.2研究现状

1.3本文工作

1.4内容安排

第二章 布谷鸟搜索算法研究

2.1经典群智能优化算法

2.2布谷鸟搜索算法原理

2.3布谷鸟算法流程

2.4布谷鸟搜索算法的特性分析

2.5本章小结

第三章 基于收缩因子策略的布谷鸟搜索算法

3.1收缩因子策略

3.2基于收缩因子策略的布谷鸟搜索算法

3.3初始分布计算

3.4发现概率的自适应调整

3.5 CFCS算法流程设计

3.6本章小结

第四章 算法仿真与分析

4.1单峰测试函数的仿真与分析

4.2多峰测试函数的仿真与分析

4.3本章小结

第五章 结束语

5.1研究总结

5.2研究展望

参考文献

致谢

作者简介