改进的布谷鸟算法及应用研究
发布时间：2021-09-23 17:19
优化问题是当今社会科学领域普遍面临的问题,大量的科学问题和工程问题都可以通过数学建模归纳为优化问题。优化问题一般可以分为三大类:无约束优化问题、约束优化问题和组合优化问题。这些问题的复杂度高,解空间的规模比较大,目前为止,对于复杂优化问题的求解仍然没有很好的办法。群智能算法作为一种基于群体智能的优化方法,因其效率高、含参数少,操作简单等特性,被广泛的应用在求解各类优化问题上。群智能算法也成为了在数学领域和计算机领域研究热点。本文主要针对布谷鸟算法进行了深入研究。1.针对布谷鸟算法缺乏交流机制,收敛速度慢这一缺点,把萤火虫算法的吸引机制引入到布谷鸟算法中,提出了基于萤火虫机制的布谷鸟算法（Improved Cuckoo Search Algorithm Based on Firefly Mechanism,CS-FA）。在该算法中,主要是对使用Lévy飞行更新后的粒子,增加向优秀个体靠近的机制（萤火虫算法的吸引机制）,改进后的算法收敛速度有很大的提高。为了验证算法的有效性,本文取了8个典型的无约束优化问题进行算法的性能测试,并且分别和经典的智能算法以及其他改进的布谷鸟算法进行了对比,结果...
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
Lévyflight示意图
西南大学硕士学位论文14end丢弃一部分劣解(ap)并且建立新解保存最佳解排列解找出当前代最优解tt1endend2.4布谷鸟算法流程图图2-2CS算法流程图2.5布谷鸟算法的特点布谷鸟算法作为群智能算法中的一员，其具备群智能算法所拥有的共性，也具备其它群智能算法所不具备的特性。布谷鸟算法的特点如下：1.自组织性与并行性布谷鸟算法在完成初始化步骤后，种群不需要外部的控制指令，种群中的个体之间没有进行通信，个体通过自身的随机迁移莱维飞行策略进行自身位置的更新，从自身初始位置不断向最优值靠近，逼近最优解。种群个体在迭代过程中不需要全局信息，即使个别的个体有一定的缺陷，整个种群也不会受到影响，每个个体的搜索活动较为独立，具有很好的自组织性和并发性。
西南大学硕士学位论文26(g)(h)图3-1经典算法收敛速度比较（a）Beale;（b）Schaffer;（c）Schwefel2.22;（d）Rastrigin;（e）Rosenbrock;（f）Griewank;（g）Ackley;（h）Forest表3-2与经典群智能算法实验结果比较测试函数\算法CSCS-FAPSOFABeale9.66e-284.07e-312.04e-221.75E-07Schaffer006.72e-126.55E-10Schwefel2.223.22e-483.46e-493.43e-033.31e-03Rastrigin007.001520.8942Rosenbrock0012.26429.4243Griewank003.72672.6325e-4Ackley4.4409e-154.4409e-150.01840.0044Forest8.1311e-065.7312e-069.1919e-051.0903e-053.5.2与其他改进的CS算法的比较本文还与其他改进的CS算法的比较，比较的算法包括ASCS、ADSCS、ASCSA算法针对每个测试函数的收敛图见图3-2，改进后的CS-FA算法与ASCS算法、ADSCS算法、ASCSA算法的实验结果见表3-3：：
【参考文献】：
期刊论文
[1]制造业信息化发展中遇到的问题与优化方案[J]. 张星. 海峡科技与产业. 2019(02)
[2]量子衍生布谷鸟搜索算法[J]. 李盼池,杨淑云,刘显德,潘俊辉,肖红,曹茂俊. 计算机系统应用. 2017(09)
[3]基于量化正交交叉的量子衍生布谷鸟搜索算法[J]. 刘志刚,杜娟,许少华,田伟. 信息与控制. 2017(04)
[4]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)
[5]求解多目标优化问题的改进布谷鸟搜索算法[J]. 杨辉华,谢谱模,张晓凤,马巍,刘振丙. 浙江大学学报(工学版). 2015(08)
[6]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)
[7]自适应布谷鸟算法及其在化工优化中的应用[J]. 莫愿斌,郑巧燕,马彦追. 计算机与应用化学. 2015(03)
[8]基于改进布谷鸟算法的梯级水库优化调度研究[J]. 明波,黄强,王义民,刘登峰,白涛. 水利学报. 2015(03)
[9]基于差分进化的布谷鸟搜索算法[J]. 肖辉辉,段艳明. 计算机应用. 2014(06)
[10]动态适应布谷鸟搜索算法[J]. 张永韡,汪镭,吴启迪. 控制与决策. 2014(04)
博士论文
[1]细菌觅食优化算法的改进及应用[D]. 刘小龙.华南理工大学 2011
硕士论文
[1]布谷鸟算法的改进及其应用研究[D]. 黄继达.华中科技大学 2014
[2]自适应小生境遗传算法的研究[D]. 蒋昀昕.安徽理工大学 2008
本文编号：3406107
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
Lévyflight示意图
西南大学硕士学位论文14end丢弃一部分劣解(ap)并且建立新解保存最佳解排列解找出当前代最优解tt1endend2.4布谷鸟算法流程图图2-2CS算法流程图2.5布谷鸟算法的特点布谷鸟算法作为群智能算法中的一员，其具备群智能算法所拥有的共性，也具备其它群智能算法所不具备的特性。布谷鸟算法的特点如下：1.自组织性与并行性布谷鸟算法在完成初始化步骤后，种群不需要外部的控制指令，种群中的个体之间没有进行通信，个体通过自身的随机迁移莱维飞行策略进行自身位置的更新，从自身初始位置不断向最优值靠近，逼近最优解。种群个体在迭代过程中不需要全局信息，即使个别的个体有一定的缺陷，整个种群也不会受到影响，每个个体的搜索活动较为独立，具有很好的自组织性和并发性。
西南大学硕士学位论文26(g)(h)图3-1经典算法收敛速度比较（a）Beale;（b）Schaffer;（c）Schwefel2.22;（d）Rastrigin;（e）Rosenbrock;（f）Griewank;（g）Ackley;（h）Forest表3-2与经典群智能算法实验结果比较测试函数\算法CSCS-FAPSOFABeale9.66e-284.07e-312.04e-221.75E-07Schaffer006.72e-126.55E-10Schwefel2.223.22e-483.46e-493.43e-033.31e-03Rastrigin007.001520.8942Rosenbrock0012.26429.4243Griewank003.72672.6325e-4Ackley4.4409e-154.4409e-150.01840.0044Forest8.1311e-065.7312e-069.1919e-051.0903e-053.5.2与其他改进的CS算法的比较本文还与其他改进的CS算法的比较，比较的算法包括ASCS、ADSCS、ASCSA算法针对每个测试函数的收敛图见图3-2，改进后的CS-FA算法与ASCS算法、ADSCS算法、ASCSA算法的实验结果见表3-3：：
【参考文献】：
期刊论文
[1]制造业信息化发展中遇到的问题与优化方案[J]. 张星. 海峡科技与产业. 2019(02)
[2]量子衍生布谷鸟搜索算法[J]. 李盼池,杨淑云,刘显德,潘俊辉,肖红,曹茂俊. 计算机系统应用. 2017(09)
[3]基于量化正交交叉的量子衍生布谷鸟搜索算法[J]. 刘志刚,杜娟,许少华,田伟. 信息与控制. 2017(04)
[4]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)
[5]求解多目标优化问题的改进布谷鸟搜索算法[J]. 杨辉华,谢谱模,张晓凤,马巍,刘振丙. 浙江大学学报(工学版). 2015(08)
[6]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)
[7]自适应布谷鸟算法及其在化工优化中的应用[J]. 莫愿斌,郑巧燕,马彦追. 计算机与应用化学. 2015(03)
[8]基于改进布谷鸟算法的梯级水库优化调度研究[J]. 明波,黄强,王义民,刘登峰,白涛. 水利学报. 2015(03)
[9]基于差分进化的布谷鸟搜索算法[J]. 肖辉辉,段艳明. 计算机应用. 2014(06)
[10]动态适应布谷鸟搜索算法[J]. 张永韡,汪镭,吴启迪. 控制与决策. 2014(04)
博士论文
[1]细菌觅食优化算法的改进及应用[D]. 刘小龙.华南理工大学 2011
硕士论文
[1]布谷鸟算法的改进及其应用研究[D]. 黄继达.华中科技大学 2014
[2]自适应小生境遗传算法的研究[D]. 蒋昀昕.安徽理工大学 2008
本文编号：3406107
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3406107.html
