求解函数优化问题的改进布谷鸟搜索算法

发布时间：2023-05-22 05:15

　　在工程优化中,大多问题是连续优化问题,即函数优化问题。针对布谷鸟算法求解函数优化问题时存在的收敛速度慢、求解精度不高和易陷入局部最优等问题,文中提出非线性惯性权重对数递减和随机调整发现概率的布谷鸟搜索算法(Cuc-koo Search Algorithm with Logarithmic Decline of Nonlinear Inertial Weights and Random Adjustment Discovery Probability,DWCS)。首先,在布谷鸟寻窝的路径和位置更新公式中,设计一种随进化迭代次数非线性递减的惯性权重来改进鸟巢位置的更新方式,以协调布谷鸟算法的探索和开发能力;其次,引入随机调整发现概率代替固定值发现概率,使较大和较小的发现概率随机出现,从而有利于平衡算法的全局探索和局部开发能力,加快算法收敛速度,增加种群多样性;最后,分析对数递减参数和随机调整发现概率,选取对数递减最佳参数组合和随机调整发现概率的最佳取值范围,此时,函数的优化效果最好。与BA,CS,PSO,ICS算法相比,所提算法极大地提高了寻优精度,显著地减少了迭代次数,有效地提高了收敛速...

【文章页数】：12 页

【文章目录】：
1 引言
2 基本布谷鸟算法
3 改进的布谷鸟算法(DWCS)
    3.1 非线性惯性权重对数递减策略
        (1)惯性权重线性递减策略
        (2)模糊调整的自适应惯性权重
        (3)随机调整的惯性权重
        (4)非线性惯性权重递减策略
            1)指数递减的惯性权重
            2)高斯递减的惯性权重
            3)对数递减的惯性权重
    3.2 动态惯性权重系数的变化范围对函数优化效果的影响
    3.3 随机调整的发现概率策略
    3.4 DWCS算法的流程
4 仿真实验
    4.1 测试函数
        (1)Griewank函数
        (2)Rastrigin函数
        (3)Ackley函数
        (4)Schaffer函数
        (5)Sphere函数
        (6)Sum Squares函数
        (7)Zakharov函数
        (8)Schwefel’s problem 1.2函数
        (9)Schwefel’s problem 2.21函数
        (10)Schwefel’s problem 2.22 函数
        (11)Alpine函数
        (12)Goldstein-Price函数
        (13)Branin函数
        (14)Six-Hump Camel函数
        (15)Schaffer N.2函数
        (16)Easom’s函数
    4.2 测试环境和算法参数的确定
    4.3 算法比较
    4.4 收敛曲线分析



本文编号：3822076