交互式学习的布谷鸟搜索算法

发布时间：2021-06-10 10:59

　　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。 

【文章来源】：计算机工程与应用. 2020,56(07)北大核心CSCD

【文章页数】：8 页

【部分图文】：

图1 双层交互学习模型

多样性对比图

从收敛速度分析，将ILCSA找到最优解所需迭代次数进行统计，并与其他两种算法进行比较，结果如图3所示。从图3分析可知，3种算法在相同算例中，ILCSA找到最优解所需迭代次数最少，以ch130算例为例，ILCSA找到最优解所需迭代次数为158,CS和ACS分别需要643次和1 553次，是ILCSA的4倍和10倍，与ILCSA相比收敛速度较慢。当城市数量增加时，ILCSA迭代次数有所增长，但增长趋势较为平缓，表明ILCSA在求解不同规模的TSP算例时，具有稳定性。综上所述，从解的多样性和收敛速度两方面比较，ILCSA能够探寻较大的解空间，全局寻优能力较强，且收敛到最优解的速度较快，比经典智能优化算法更具有优势。4.2.2 ILCSA与混合优化算法的比较

【参考文献】：
期刊论文
[1]布谷鸟搜索算法综述[J]. 张晓凤,王秀英.  计算机工程与应用. 2018(18)
[2]自适应动态邻域布谷鸟混合算法求解TSP问题[J]. 陈雷,张红梅,张向利.  计算机工程与应用. 2018(23)
[3]基于改进蚁群算法的机器人路径规划问题研究[J]. 朱艳,游晓明,刘升,袁汪凰.  计算机工程与应用. 2018(19)
[4]萤火虫优化和随机森林的WSN异常数据检测[J]. 许欧阳,李光辉.  计算机科学与探索. 2018(10)
[5]基于蚁群粒子群优化算法的云计算资源调度方案[J]. 萨日娜.  吉林大学学报(理学版). 2017(06)
[6]自适应步长布谷鸟搜索算法[J]. 李荣雨,戴睿闻.  计算机科学. 2017(05)
[7]基于健康度的自适应过滤粒子群算法[J]. 袁罗,葛洪伟,姜道银.  计算机科学与探索. 2018(02)
[8]具有记忆性的自适应布谷鸟搜索算法[J]. 秦岭,戴睿闻.  微电子学与计算机. 2017(03)
[9]具有动态惯性权重的布谷鸟搜索算法[J]. 周欢,李煜.  智能系统学报. 2015(04)



本文编号：3222251