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.     

基于多蜂群的多无人机协同自适应搜索

针对多无人机(unmanned aerial vehicle, UAV)在未知海域环境下协同搜索这一重要研究课题,提出基于精英学习的多蜂群协同自适应搜索路径规划算法。首先,建立考虑飞行高度时变的无人机模型、传感器模型以及海域模型。其次,在该模型基础上建立了包括目标发现收益、期望探测收益及避碰等多目标效能函数。在考虑到UAV飞行高度动态变化时采用不同搜索策略,由于传统蜂群算法在搜索中存在适应性差、速度慢等缺点,提出基于精英学习的多蜂群算法,保证了搜索效益的最大化。最后,通过仿真实验验证了算法的有效性和实用性。     

基于布谷鸟搜索的图像匹配方法研究

针对传统群智能方法在图像匹配应用中参数较多且调节复杂的问题,将布谷鸟搜索(cuckoo search,CS)机制引入到图像匹配过程.CS方法具有较少的模型参数、简单的调节方式,因此图像匹配效果获得了较大的提高.该方法首先将目标匹配过程转化为对组合优化问题的求解;然后通过提取图像块的方向梯度直方图(histogram of oriented gradient,HOG),实现目标的全局性特征匹配;最后通过仿真实验,证明了CS方法在图像匹配应用中的可行性和有效性.     

优化反向传播神经网络的自适应遗传算法

探讨了用遗传算法优化反向传播神经网络的问题。通过对不同遗传操作的分析和改进,提出了一种能有效进行局部搜索和全局搜索的自适应遗传算法。计算结果表明,该算法能快速地求出问题的全局最优解,且具有较好的计算精度。     

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.     

基于动态平衡因子自适应步长的布谷鸟搜索算法

针对标准布谷鸟搜索算法依赖Lévy飞行的游走导致整个搜索过程步长具有随机性的问题,提出一种基于动态平衡因子自适应步长的布谷鸟搜索算法。通过对标准布谷鸟搜索算法中参数偏度动态自适应取值来实现算法对步长的动态自适应,同时引入动态平衡因子以调节全局适应度和当前迭代次数所占的比重,从而实现布谷鸟搜索算法收敛速度和搜索精度的平衡。测试仿真实验结果表明,与标准布谷鸟搜索算法相比,提出的算法收敛速度显著提升;与单纯依赖迭代次数自适应步长的布谷鸟算法相比,提出的算法避免了为追求收敛速度而造成的算法早熟现象。     

基于布谷鸟搜索神经网络的微波加热温度预测模型

微波加热是一种与被加热物直接相互作用的选择性加热方式,具有清洁、节能、减排等特点。针对工业物料作为微波加热负载时,其温度非线性变化的特点,以微波工业加热过程中的多维、海量参数为研究对象,基于泛函接神经网络模型提取样本数据的深度特征,提出了一种基于布谷鸟搜索算法,优化BP神经网络的网络参数,建立了以"数据驱动"为手段微波加热工业物料温度模型。仿真实验结果证明了所提出模型的准确性、实时性。     

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。     

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.     

基于布谷鸟搜索的XGBoost算法优化及应用研究

为提高XGBoost算法预测精度,采用布谷鸟搜索算法全局优化XGBoost的超参数包括学习率、输出结点分裂的最小损失、树模型的最大深度和弱学习器的数量,构建CS-XGBoost模型训练数据集。实验结果表明,基于CS-XGBoost的收入分类模型的准确率、精确率、F1分数和AUC等指标分别为95.67%、97.17%、95.56%和97.96%,均优于Logistic回归、支持向量机、随机森林、XGBoost算法和基于网格搜索的XGBoost算法;基于CS-XGBoost的房价预测模型的决定系数、均方根误差及平均绝对误差分别为0.905 5、2.943 5及2.165 4,预测精度较XGBoost算法得到显著提升。     

基于逐维改进的自适应步长布谷鸟搜索算法

步长的选取对于布谷鸟搜索算法的收敛速度与运算结果的精度起着关键作用。提出了一种基于逐维改进的自适应步长布谷鸟搜索算法。首先,在原始自适应步长布谷鸟搜索算法中,当上一代鸟窝位置为最优位置时,步长不再更新,则简单修正原有的步长让其更新;其次,将逐维更新评价策略引入修正后的自适应步长布谷鸟搜索算法。实验结果表明,该算法不仅平衡了全局寻优能力和寻优精度之间的矛盾而且具有较好的收敛速度。     

基于模拟退火的自适应布谷鸟算法求解公交调度问题

根据实际应用中布谷鸟算法体现出的局部搜索能力差的问题,本文采用算法结合的方式把模拟退火算法结合其中,同时动态更改发现概率以及搜索步长,使之变成自适应混合布谷鸟算法。利用标准测试函数进行检验,发现此结合算法能够很好地提高算法运算质量,收敛速度较快。通过实际应用,将该算法引入到公交调度系统当中,效果较好,这为公交系统优化研究提供了一个新颖的方法。     

基于自适应布谷鸟搜索算法的Tsallis熵阈值图像分割

针对现有图像分割算法中计算复杂度大的问题,提出一种基于自适应布谷鸟(adaptive cuckoo search,ACS)算法的Tsallis熵阈值图像分割方法,能够改善学习过程和收敛速度,减少分割时间.该方法使用Tsallis熵作为ACS的适应度函数值,实现无参数搜索过程,在搜索空间中使用当前位置的知识来自适应步长,最后使用ACS最大化Tsallis熵来获得最优阈值,得到分割图像.实验结果表明,该文方法能够有效实现图像分割,且分割时间低于粒子群优化算法、布谷鸟搜索算法和改进布谷鸟搜索算法,结构相似性(Structural Similarity, SSIM)和收敛成功率高于其他算法.     

基于自适应搜索的人工蜂群算法

针对基本的人工蜂群算法(basic Artificial Bee Colony algorithm,ABC)收敛速度慢和容易陷于局部最优等不足,采用混沌算子和逆向学习算子相混合的初始化种群的方法,有效地改进了初始种群的多样性;在雇佣蜂和观察峰的位置更新上,提出了自适应搜索算子.改进后的算法(Improved ABC,IABC)测试了5个标准单峰或多峰函数,结果表明,IABC算法在搜索效率、最优解质量、稳定性均优于ABC算法.     

基于和声搜索的自适应滤波算法

针对子空间辨识方法,从状态空间模型向I/O差分方程转化的取向,使有关矩阵的维数增加,计算复杂度增大的问题,提出了用和声搜索算法辨识CARMA(Controlled Auto-Regressive Moving Average)模型子阶、时滞和参数的方案.该方案基于所提出的输入输出模型转化为状态空间模型的定理,使相应的状态空间模型在CARMA模型辨识之后也被辨识.以油井热洗为例,进行了自适应滤波估计.估计结果表明:该算法有较高的滤波和预报的精度,滤波和一步预报的误差方差的最大值在0.01以内,与子空间辨识方案相比,本方案的计算量约为前者的五分之一.     

求解连续函数优化的自适应布谷鸟搜索算法

为了提高布谷鸟搜索算法求解连续函数优化问题的性能,提出一种自适应布谷鸟搜索算法,改进算法利用解与当前最优解之间对应维上距离,实现随机游动步长的自适应调整。距离当前最优解对应维越远,维的随机游动步长越长,反之越短。利用解的适应度与群体平均适应度的关系自适应调整发现概率,使劣质解比优秀解更容易被淘汰。将自适应布谷鸟算法应用于8个典型测试函数,实验结果表明,改进算法有效改善求解连续函数优化问题的性能,尤其适合求解高维、多峰的复杂函数。与相关的布谷鸟搜索算法比较,自适应布谷鸟搜索算法更具竞争力。     

基于改进布谷鸟搜索—高斯过程的橡胶配方预测研究

为提高橡胶产品的质量,根据实验设计数据,利用高斯过程回归构建橡胶产品性能与因素之间的配合过程模型,采用改进的布谷鸟搜索算法对高斯过程回归模型的超参数进行寻优,并预测橡胶产品性能。研究结果表明,该模型的预测结果有效,并能降低橡胶产品配方优化设计所需时间。     

基于粒子群和布谷鸟搜索的BP神经网络优化方法研究

针对BP神经网络初始化敏感性高、易陷入局部最小值的问题,研究基于粒子群优化和布谷鸟搜索融合的BP神经网络优化方法,提出一种分层的融合优化模型MB-PSO-CS-BP。该方法在下层使用Mini-Batch算法将粒子群分割为小种群,利用粒子群优化算法进行局部搜索;在此基础上采用布谷鸟搜索算法进行全局搜索,从而减小BP神经网络初始化的敏感性,减缓其陷入局部最优的症状。在实际应用领域的数据集上对所提出算法进行实验验证。相较于一般的PSO-BP模型与CS-BP模型,所提出的MB-PSO-CS-BP融合模型在全局最优值、均方误差等多个评估指标上有所改进,进一步提升了利用BP神经网络进行预测的准确性与稳定性。     

基于和声搜索的近邻传播算法

针对近邻传播算法中偏向参数调优难的问题,提出了一种基于和声搜索的近邻传播算法(HS-AP),利用和声搜索自动为数据集匹配最佳偏向参数,进而提高算法聚类精度。HS-AP算法首先把偏向参数编码为和声,利用和声算法自动搜索最佳和声,并将搜索到的和声解码为偏向参数进行运算。在UCI标准数据集上进行实验对比表明HS-AP算法在准确率,兰德指数,正则化互信息三个指标方面均有提升。准确率平均提升了6.36%,兰德指数平均提升了4.677%,正则化互信息平均提升了19.04%。