基于动态分组与混沌扰动的改进布谷鸟算法

针对布谷鸟算法(CS)求解速度不够快、精度不够高的问题,给出一种基于动态分组与混沌扰动的改进布谷鸟算法(ICS),并通过5种经典的测试函数对其性能进行测试.仿真实验结果表明,ICS比CS有更快的求解速度和更高的求解精度.     

基于函数动态递减因子的布谷鸟算法

针对布谷鸟搜索算法存在收敛速度慢,求解精度低的缺陷,提出一种改进布谷鸟搜索(ICS)算法.将函数动态递减因子引入到步长和发现概率中,并对步长和发现概率进行自适应调整.测试结果表明,改进后的布谷鸟算法在收敛速度和求解精度方面均优于原始布谷鸟算法.     

基于改进布谷鸟搜索的人工神经网络及其性能仿真

布谷鸟搜索(CS)算法是一种新型的基于仿生学原理的元启发式算法,具有很好的全局优化能力,但其存在后期收敛速度慢、计算精度不高等不足。通过将交叉熵(CE)方法嵌入到CS中构建一种改进的CS算法,基准测试函数集的测试结果表明改进算法收敛速度和计算精度都有了明显提高。用改进的算法实现对人工神经网络的训练,实验结果显示新算法训练的神经网络收敛速度更快,能有效避开局部极小。最后用所建立的人工神经网络对中国人口总量进行了预测。     

基于多开端策略的改进布谷鸟搜索算法研究

针对传统布谷鸟搜索(Cuckoo Search,CS)算法在迭代后期寻优速度慢、易陷入局部最优等缺点,提出一种多开端调节布谷鸟搜索(Multi-start Adjustable Cuckoo Search,MACS)算法。改进算法引入多开端、飞行尺度和发现概率动态调节、反向学习等策略,能够有效消除Lévy-flights策略的固有缺陷,从而平衡全局、局部搜索能力,并利用经典算例验证改进算法的优越性。仿真结果表明,改进算法在求解质量及收敛速度等方面较传统CS算法、PSO算法均有一定程度的提高。     

基于动态分组与高斯扰动的改进布谷鸟算法

【目的】针对原有布谷鸟算法在求解最优化问题时的不足,提出一种基于动态分组与高斯扰动的改进布谷鸟搜索算法(Gaussian perturbating and dynamic grouping for cuckoo search,GPDGCS)。【方法】GPDGCS算法在原有布谷鸟算法的求解过程中应用了高斯扰动与动态分组策略。【结果】通过6个典型的测试函数对GPDGCS算法进行仿真实验,结果表明GPDGCS算法比原有布谷鸟算法有更高的收敛速度、求解精度等。【结论】GPDGCS算法在一定程度上可避免算法陷入局部最优。     

融合正弦余弦算法的蝴蝶优化算法

针对蝴蝶优化算法存在收敛速度慢、求解精度差和易陷入局部最优等缺陷,提出一种融合正弦余弦算法的蝴蝶优化算法。首先在蝴蝶自身认知部分引入非线性自适应因子,其次重新定义香味浓度计算公式,最后在局部搜索阶段引入改进的正弦余弦算法。通过19个基准函数的测试,实验结果表明,本算法在收敛速度、寻优精度和鲁棒性方面均优于蝴蝶优化算法(Butterfly Optimization Algorithm,BOA)、正弦余弦算法(Sine Cosine Algorithm,SCA)、樽海鞘群算法(Salp Swarm Algorithm,SSA)、狼群算法(Grey Wolf Optimizer,GWO)和布谷鸟搜索算法(Cuckoo Search Algorithm,CS),与其他改进蝴蝶优化算法相比,在寻优精度方面也具有一定优势。     

基于动态分组与高斯扰动的改进布谷鸟算法

【目的】针对原有布谷鸟算法在求解最优化问题时的不足，提出一种基于动态分组与高斯扰动的改进布谷鸟搜索算法(Gaussian perturbating and dynamic grouping for cuckoo search，GPDGCS)。【方法】GPDGCS算法在原有布谷鸟算法的求解过程中应用了高斯扰动与动态分组策略。【结果】通过6个典型的测试函数对GPDGCS算法进行仿真实验，结果表明GPDGCS算法比原有布谷鸟算法有更高的收敛速度、求解精度等。【结论】GPDGCS算法在一定程度上可避免算法陷入局部最优。
     

基于ASBCS算法的混合Copula邻近水文站年径流量预测

首先对标准的布谷鸟搜索算法(CS)进行改进,提出了自适应搜索平衡布谷鸟搜索算法(ASBCS).其次利用ASBCS算法对混合Copula函数进行参数寻优,建立了基于混合Copula函数的邻近水文站年径流预测模型.最后对模型进行了性能分析和实验验证,结果表明:(1)ASBCS算法在收敛速度和精度方面均优于标准CS算法;(2)当以汉口水文站的年径流量为自变量来预测宜昌水文站的年径流量时,基于ASBCS算法的混合Copula函数比三个单一的Copula函数的预测精度高.     

基于反向学习策略的深度搜索布谷鸟算法

布谷鸟搜索算法(CS)是一种简单有效的仿生学优化算法,但在处理高维复杂问题时不能快速收敛得到最优解,针对此问题,本文引入反向学习策略和逐维深度搜索策略改进基本的CS。在布谷鸟算法的搜索阶段,通过对Levy飞行后的解进行反向学习,从而有效提升最优解的搜索效率;另外,在每一代结束后,对当前的全局最优解进行逐维深度搜索,捕捉潜在最优解,弥补搜索步骤可能出现的问题。实验结果表明,本文对算法提出的改进,提高了算法的全局搜索能力,收敛速度以及收敛精度。     

一种布谷鸟-交叉熵混合优化算法及其性能仿真

为了提高布谷鸟搜索算法在求解复杂优化问题时的收敛速度和搜索精度,基于交叉熵方法,构建了一种新的布谷鸟-交叉熵混合优化算法.该算法将基于模型的交叉熵随机优化算法和基于种群的布谷鸟搜索进行有机融合,采用协同演化策略,既提升了混合算法收敛速度,又改善了其全局优化能力.对经典测试函数和PID控制器整定问题的仿真结果表明,新算法具有全局搜索能力强、求解精度高和鲁棒性好等特性,是一种求解复杂优化问题的可行和有效算法.