基于ASCP-CS算法的桥式吊车滑模控制器设计

针对桥式吊车滑模控制器参数设置繁琐以及布谷鸟搜索算法(Cuckoo Search,CS)全局搜索能力不足问题,提出了自适应选取交叉操作算子的布谷鸟搜索算法(Cuckoo Search Algorithm with Adaptively Selecting Crossover Points,ASCP-CS),并将该算法用于桥式吊车滑模控制器参数整定.该算法在CS算法的基础上改进自适应搜索步长,并在交叉操作过程中引入自适应选取染色体交叉点.通过对4种典型寻优函数进行测试的结果表明:ASCP-CS算法具有较好的寻优精度和搜索能力.对桥式吊车滑模控制器采用不同优化算法进行参数整定,仿真实验表明,基于该算法的控制器能更快地实现吊车负载定位,更有效抑制负载摆角,并具有较好的鲁棒性.     

带Metropolis准则的混合离散布谷鸟算法求解旅行商问题

布谷鸟算法(Cuckoo Search,CS)在求解连续问题方面得到较好的结果,但在处理离散问题方面解决方案较少且收敛速度过慢,针对此不足,以求解旅行商问题为代表,结合基于学习的混合邻域结构和概率接受准则,提出了一种新颖的改进的混合离散布谷鸟(Hybrid Discrete Cuckoo Search,HDCS)算法.HDCS算法通过向最佳个体学习和从问题学习来搜索解空间,将反序、插入、块移动、交换和双桥等多种算子组合构造不同的混合邻域,通过Levy飞行选择相应的邻域结构进行寻优,并引入模拟退火算法的Metropolis接受准则,能够以一定的概率接受劣质解,使算法不易陷入局部最优.为了验证算法的性能,将HDCS算法分别与其他基于CS算法、经典智能优化算法和新型群智能优化算法的3类方法进行比较,实验结果表明,HDCS算法不但优于其他基于CS的算法,同时也优于一些其他最新的群智能优化算法.     

基于当前极值高斯扰动的改进布谷鸟算法

针对布谷鸟算法(Cuckoo Search,简称CS)收敛速度不够快、求解精度不够高等问题,给出基于当前极值高斯扰动的改进布谷鸟算法(GCS)。并用5个典型的测试函数对GCS、CS、DGCS、CCS和ICS的性能进行对比,仿真实验结果显示GCS比其他四种算法有更快的收敛速度与更高的求解精度。     

基于粒子群-布谷鸟搜索算法的桁架结构优化设计

为进一步提高布谷鸟搜索(Cuckoo Search,CS)算法在桁架结构优化设计中的适应性能,克服CS算法搜索新解过程相对盲目、速度慢、精度低的缺点,把粒子群(PSO)算法中粒子位置更新思想引入到CS算法中,并将粒子群-布谷鸟搜索(PSO-CS)算法应用于桁架结构尺寸优化设计.以10杆经典桁架为例,在满足应力约束、位移约束的条件下,对桁架结构进行尺寸连续设计变量和离散设计变量最优化设计,并与其他优化算法的结果进行对比.数值算例结果表明,PSO-CS算法具有收敛速度快、精度高、稳定性好的特点,可以有效地解决桁架结构尺寸优化问题.     

基于 CS 的神经网络在抽油机故障诊断中的应用

为提高抽油机故障诊断效率, 提出了在布谷鸟搜索算法(CS: Cuckoo Search)中加入自适应步长, 并 用函数进行测试, 结果验证了改进算法的有效性。 用改进的 CS 算法优化 BP(Back Propagation)神经网络 的权值和阈值, 并与传统 BP 算法进行比较, 证明了改进的 CS 算法克服了传统算法训练速度慢、 易陷局 部极值的缺点。 将优化的神经网络应用于抽油机故障诊断中的实验表明, 该算法具有较快的收敛速度和 较好的稳定性, 同时也提高了抽油机故障诊断的精确性。     

基于CSA和PSO的多目标优化任务调度算法

针对现有云计算环境中任务调度算法资源利用率低、完成时间长和调度成本高的问题,提出一种基于布谷鸟搜索算法(Cuckoo Search Algorithm,CSA)和粒子群优化(Particle Swarm Optimization,PSO)混合的多目标优化任务调度策略.该策略以完成时间、成本以及最后期限违反率为目标函数,...     

Spark框架下混合SACS-GS的大数据清洗方法

提出一种Spark框架下自适应布谷鸟搜索(self-adaptive cuckoo search,SACS)和引力搜索(Gravitational Search,GS)算法的混合SACS-GS方法,并给出了Spark框架下SACS-GS方法大数据清洗方案.首先提出自适应布谷鸟算法,给出两种改进的搜索策略,通过线性递减概率规则将两种策略结合起来,形成自适应搜索策略,避免种群早熟和提高收敛速度,然后引入自适应发现概率,提高种群的多样性. SACS算法混合GS算法得到SACS-GS方法,该方法通过引力搜索算法的局部搜索能力来确定自适应布谷鸟算法的全局范围,并找到使卵生长和成熟的最佳解决方案,有效地识别大数据中的错误数据.实验结果表明, SACS-GS方法具有较高的大数据异常检测精度,且精度高于其他现有方法,处理时间低于其他方法.     

面向饲料加工的排产优化方法研究

为了提高饲料企业在成本和质量上的优势,需要采用更加科学的方法制定排产计划。首先根据饲料加工排产的特点构建了基于批量组织生产的排产模型;其次,针对布谷鸟搜索(cuckoo search,CS)算法收敛速度慢与局部搜索能力弱的问题,提出不同的改进策略形成改进CS算法求解了排产模型,改进算法运用NEH方法、Logistic混沌映射方法以及随机方法生成初始解,使用了动态改变步长的策略以平衡算法探索能力与开发能力,增加基于差分进化的交叉阶段以增强最优解的挖掘能力。采用改进CS算法,以最小化总流经时间为求解目标,在40个Taillard测试集实例和实际饲料排产数据上进行了实验,验证了改进CS算法的寻优能力。结果证明了改进CS算法在求解流水线式生产车间排产问题上的有效性。     

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。     

基于贪婪搜索和变异操作的布谷鸟算法

作为一种新型的生物启发式群体智能算法,布谷鸟算法模拟了布谷鸟生育雏鸟以及鸟类的Levy flights行为,是一种全局最优搜索算法,为了更好地提高算法对不同问题的适应能力,提出一种基于贪婪搜索和变异操作的布谷鸟(GMCS)算法.根据最优位置设计一种贪婪搜索策略,贪婪搜索策略和Levy flights随机游动搜索策略按概率交替进行,加强算法的局部探索能力;引入差分进化算法中的变异操作,提高算法跳出局部最优的能力;加入一个新的参数,根据收敛状态自适应地调整参数阈值以控制贪婪搜索策略和变异操作的执行次数.通过8个标准测试函数进行数值实验,实验结果表明,与部分改进的布谷鸟算法以及一些其他改进的演化算法相比,GMCS算法具有较好的收敛性能和适应能力,验证了改进后算法的有效性.     

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。     

利用改进布谷鸟优化算法的光伏全局MPPT方法

光伏阵列一般由大量组件构成,受环境影响易出现局部阴影,导致P-V曲线出现多峰现象。传统的最大功率点追踪(Maximum power point tracking,MPPT)控制策略如扰动观察法容易陷入局部最优, 从而降低光伏系统的发电效率。为了解决该问题, 本文提出了一种融合正弦余弦算法和自适应策略的布谷鸟优化算法(Cuckoo Search Algorithm Fusing Sine Cosine Algorithm And Adaptive Strategy ,AFCS),并将其应用于光伏全局MPPT控制中,用于改善MPPT过程中的收敛速度与追踪精度。最后设置多种光照情况并用花朵授粉算法和粒子群算法进行对比,经过MATLAB/Simulink仿真验证,该算法拥有较快的收敛速度和较高的追踪精度, 在各个光照条件下均能快速追踪到光伏阵列最大功率点, 可以有效提高光伏系统的发电效率。     

基于布谷鸟搜索算法优化的正交小波多模盲均衡算法

提出了一种新的盲均衡算法—基于布谷鸟搜索算法优化的小波多模盲均衡算法(CSWT-MMA),该算法利用正交小波变换(WT)降低信号的信噪比,并将具有卓越的全局搜索能力的布谷鸟搜索(CS)算法引入多模盲均衡算法(MMA).水声仿真结果表明,新算法能较好地捕获全局最优解,有效改善了MMA容易陷入局部最小值、收敛速度慢、稳态误差大等问题,具有更快的收敛速度和更小的均方误差,均衡质量更高.     

基于CUDA和布谷鸟算法的SVM在工控入侵检测中的应用

为了提升SVM算法的分类速度和精度,提出了一种基于CUDA和布谷鸟搜索算法(CSA)的CCS-SVM (CUDA and Cuckoo Search based Support Vector Machine)算法。考虑到SVM算法在大规模数据下训练速度慢的缺点,利用基于CUDA的并行技术对SVM进行并行化。针对布谷鸟搜索算法寻优精度低和收敛速度慢的问题,提出了两点改进:第一,考虑了寻优过程中个体适应度对莱维飞行步长因子α的影响;第二,在偏好随机游动环节引入惯性权重。最后利用CCS-SVM算法对工控网络标准数据集进行入侵检测仿真实验,结果表明:该算法在保证入侵检测准确率的同时,检测速度提升了近3倍。     

基于自适应布谷鸟与反向传播协同搜索的病害识别系统

为实现番茄病害快速诊断识别,提出了一种基于自适应布谷鸟搜索算法(cuckoo search,CS)与反向传播(back propagation,BP)协同搜索的病害识别算法(ASCS-BPCA)。首先,该算法将全局搜索能力强的CS与BP中反向传播算法结合,协同搜索最优识别参数,并在此基础上引入自适应调节步长机制加快布谷鸟搜索算法收敛速度。然后,以3种番茄病害(灰霉病、白粉病和晚疫病)叶片及正常叶片为研究对象,提取病斑特征集构建ASCS-BPCA病害识别模型,与标准CS-BP网络进行结果对比分析。仿真结果表明:ASCS-BPCA网络平均正确识别率达90%以上,优于同等条件下CS-BP算法,且更加稳定高效。     

一种面向三维感知的多媒体传感器网络覆盖增强算法

现存的多媒体传感器网络优化算法,都存在着容易陷入局部最优解的问题.布谷鸟算法利用长距离的搜索可以有效地跳出局部最优解,基于多媒体传感器网络三维感知模型,提出了改进布谷鸟搜索的覆盖增强算法,该算法通过引入精英机制、多维度优化和学习反馈策略来优化多媒体传感器节点的旋转角度以降低覆盖重叠,优化网络覆盖,这是首次利用改进布谷鸟搜索算法来优化网络覆盖.最后,利用仿真实验证明了该算法可以快速有效地优化网络覆盖.     

基于改进的布谷鸟搜索光伏电池模块参数识别与仿真

光伏电池模块参数识别是一个具有多个局部极值的非线性优化问题,传统的优化技术很难进行精确识别.基于交叉熵方法构建一种改进的布谷鸟搜索,该方法利用交叉熵全局优化算法和布谷鸟搜索的协同演化来快速而精确识别光伏模块参数.实验结果表明所构建的算法用于识别光伏模块参数是可行和有效的,且具有全局搜索能力强、优化精度高和鲁棒性好等特性.     

基于自适应布谷鸟搜索的RIS辅助无线定位系统

可重构智能表面(RIS)是6G关键技术之一,可灵活部署在基站服务区域的内部,辅助基站定位,提高定位精度.针对RIS辅助毫米波多输入单输出无线定位系统,利用布谷鸟搜索算法(CS)求解极大似然位置估计函数.为了提高算法寻优能力,将CS算法的发现概率和搜索路径步长由固定值改为自适应变化的动态参数.实验结果表明,引入RIS辅助定位可以明显提高定位精度,自适应布谷鸟搜索算法(ACS)寻优能力高于布谷鸟搜索算法.     

基于改进布谷鸟算法结合电导增量法的最大功率点追踪

动态遮阴下,光伏阵列的输出P-U曲线会出现多个功率极值点,传统最大功率点追踪会陷入局部最优。为此,本文提出基于自适应差分进化的改进布谷鸟(ICS)算法与电导增量法(INC)相结合的复合算法(ICS-INC)。该算法提出自适应抛弃概率和自适应步长因子,结合差分变异进行随机偏好游走,使算法的搜索开发能力得到提升,避免陷入局部最优。通过改进Lévy飞行公式减小其随机性,减小算法的迭代次数来缩短跟踪时间,由INC实现局部快速搜索,稳定输出最大功率。仿真结果表明,与其他算法相比,该算法的追踪速度,全局搜索性以及环境变化的适应能力均得到提升。     

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.