布谷鸟搜索方法技术

本发明专利技术公开了一种布谷鸟搜索方法，将种群的分布熵引入到布谷鸟搜索算法中，提出了新的步长控制因子。假设布谷鸟种群总数为N、搜索维度为D，将寻优搜索空间分为K个搜索子空间,每个子空间含有个体数为n

【技术实现步骤摘要】
布谷鸟搜索方法
本专利技术属于布谷鸟搜索领域，尤其涉及一种布谷鸟搜索方法。
技术介绍
剑桥大学的Yang和Deb于2009年提出了布谷鸟搜索算法(CuckooSearch,CS)，这是一种通过模拟布谷鸟寻窝产卵的行为所设计的优化算法。该算法简单、参数少，易于实现，并且随机搜索路径的特点使得算法更为高效,因此在各个领域受到了广泛的应用。现阶段已有研究学者对该算法的步长因子进行了改进，提出了一些变步长的布谷鸟搜索算法。在现有技术中，研究学者虽然对布谷鸟搜索算法的步长因子进行了改进，但是并未引入种群状态，因此无法根据种群分布状态实时调整算法策略以提升搜索效率。
技术实现思路
在本专利技术中，我们通过将种群分布熵引入到布谷鸟搜索算法的步长因子中，从而使得布谷鸟搜索算法根据种群分布状态实时调整算法搜索步长，提升布谷鸟搜索算法的搜索效率：一种布谷鸟搜索方法，包括将种群的分布带入到布谷鸟搜索算法中，将种群第j维度的分布熵引入到第j维度的步长控制因子，所述第j维度的分布熵Sj的公式为：所述改进后第j维度的步长控制因子αj为：其中，布谷鸟种群总数为N、搜索维度为D，将寻优搜索空间分为K个搜索子空间,每个子空间含有个体数为ni，i＝1,2…，K；j＝1,2,…，D。优选的，将莱维飞行机制与种群第j维度的分布熵结合并更新公式为：其中，t代表当前第t代巢穴，t-1代表上一代巢穴。优选的，所述的布谷鸟搜索算法与种群的分布结合后具体包括如下步骤：S1初始化参数，生成种群数量为N的初始鸟巢；S2计算每个巢穴对应适应度，获得当前最优适应度fbest，获得当前最优位置xbest；S3将莱维飞行机制与种群第j维度的分布熵进行结合，计算适应度和当前最优位置xtbest与最优舒适值ftbest；S4判断ftbest与fbest的大小，若ftbest＞fbest，则无需数据处理，否则，进行数据替换：S5判断发现概率pa和生成随机数r的大小：若r≤pa，则保留原巢穴，若r＞pa，则舍弃原巢穴，利用随机游走策略生成等量的新巢穴替换原来的巢穴；计算本步骤中的当前最优位置与最优舒适值S6判断与fbest的大小，若则无需数据处理，否则，进行数据替换：S7判断步骤6中的xbest和fbest是否超过最大迭代值，若没有超过则重复步骤S2的操作直至xbest和fbest经处理后超过最大迭代值，将xbest作为全局最优解和fbest作为最优适应度输出；若步骤6中的xbest和fbest超过最大迭代值，则直接将xbest作为全局最优解和fbest作为最优适应度输出。优选的，所述步骤S1中生成种群数量为N的初始鸟巢包括下述公式：其中，为初始第0代鸟巢中第k个鸟巢的位置。优选的，根据鸟巢的位置对应计算每个鸟巢的对应适应度的公式为：fi＝f(xi)(7)其中，xi为第i个鸟巢位置。有益效果：本专利技术提供了一种布谷鸟搜索方法，通过将种群的分布熵引入到布谷鸟搜索算法中，提出了新的步长控制因子，从而根据种群分布状态实时调整算法策略以提升搜索效率，本专利技术的优化算法针对多种测试函数均具有较好的搜索效果。附图说明图1为本专利技术一种实施方式的流程图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要注意的是，本文使用术语第一、第二、第三等来描述各种部件或零件，但这些部件或零件不受这些术语的限制。这些术语仅用来区别一个部件或零件与另一部件或零件。术语诸如“第一”、“第二”和其他数值项在本文使用时不是暗示次序或顺序，除非由上下文清楚地指出。为了便于描述，本文使用空间相对术语，诸如“内部”、“外部”、“上端”、“下端”、“左侧”、“右侧”、“上部的”、“左”、“右”等，以描述本实施例中部件或零件的方位关系，但这些空间相对术语并不对技术特征在实际应用中的方位构成限制。在现有技术中，研究学者虽然对布谷鸟搜索算法的步长因子进行了改进，但是并未引入种群状态，因此无法根据种群分布状态实时调整算法策略以提升搜索效率。传统的步长控制因子计算公式为：其中，为常数，Xbest为当前最优解，Xg，i表示第i个鸟巢在第g代的鸟巢位置，为公式8中的步长控制因子。本专利技术公开了一种布谷鸟搜索方法，将种群的分布熵引入到布谷鸟搜索算法中，提出了新的步长控制因子。假设布谷鸟种群总数为N、搜索维度为D，将寻优搜索空间分为K个搜索子空间,每个子空间含有个体数为ni，其中i＝1,2,...,K，则第j维度的分布熵为其中j＝1,2,...,D，将该种群分布熵引入到第j维度的步长控制因子，则改进后第j维度的步长控制因子的表达式为具体包括如下内容：一种布谷鸟搜索方法，包括将种群的分布带入到布谷鸟搜索算法中，将种群第j维度的分布熵引入到第j维度的步长控制因子，所述第j维度的分布熵Sj的公式为：所述改进后第j维度的步长控制因子αj为：其中，布谷鸟种群总数为N、搜索维度为D，将寻优搜索空间分为K个搜索子空间,每个子空间含有个体数为ni，i＝1,2…，K；j＝1,2,…，D。优选的一种实施方式，将莱维飞行机制与种群第j维度的分布熵结合并更新公式为：其中，t代表当前第t代巢穴，t-1代表上一代巢穴。优选的一种实施方式，所述的布谷鸟搜索算法与种群的分布结合后具体包括如下步骤：S1初始化参数，生成种群数量为N的初始鸟巢；S2计算每个巢穴对应适应度，获得当前最优适应度fbest，获得当前最优位置xbest；S3将莱维飞行机制与种群第j维度的分布熵进行结合，计算适应度和当前最优位置xtbest与最优舒适值ftbest；S4判断ftbest与fbest的大小，若ftbest＞fbest，则无需数据处理，否则，进行数据替换：S5判断发现概率pa和生成随机数r的大小：若r≤pa，则保留原巢穴，若r＞pa，则舍弃原巢穴，利用随机游走策略生成等量的新巢穴替换原来的巢穴；计算本步骤中的当前最优位置与最优舒适值S6判断与fbest的大小，若则无需数据处理，否则，进行数据替换：S7判断步骤6中的xbest和fbest是否超过最大迭代值，若没有超过则重复步骤S2的操作直至xbest和fbest经处理后超过最大迭代值，将xbest作为全局最优解和fbest作为最优适应度输出；若步骤6中的xbest和fbest超过最大迭代值，则直接将xbest作为全局最本文档来自技高网...

【技术保护点】
1.一种布谷鸟搜索方法，其特征在于，包括将种群的分布带入到布谷鸟搜索算法中，将种群第j维度的分布熵引入到第j维度的步长控制因子，所述第j维度的分布熵S

【技术特征摘要】
1.一种布谷鸟搜索方法，其特征在于，包括将种群的分布带入到布谷鸟搜索算法中，将种群第j维度的分布熵引入到第j维度的步长控制因子，所述第j维度的分布熵Sj的公式为：



改进后所述第j维度的步长控制因子αj为：



其中，N为布谷鸟种群总数、D为搜索维度，将寻优搜索空间分为K个搜索子空间，每个子空间含有个体数为ni，i＝1，2...，K；j＝1，2，...，D。


2.根据权利要求1所述的布谷鸟搜索方法，其特征在于，将莱维飞行机制与种群第j维度的分布熵结合并更新公式为：



其中，t代表当前第t代巢穴，t-1代表上一代巢穴。


3.根据权利要求2所述的布谷鸟搜索方法，其特征在于，所述的布谷鸟搜索算法与种群的分布结合后具体包括如下步骤：
S1初始化参数，生成种群数量为N的初始鸟巢；
S2计算每个巢穴对应适应度，获得当前最优适应度fbest，获得当前最优位置xbest；
S3将莱维飞行机制与种群第j维度的分布熵进行结合，计算适应度和当前最优位置xtbest与最优舒适值ftbest；
S4判断ftbest与fbest的大小，若ftbest＞fbe...

【专利技术属性】
技术研发人员：李德全，刘洪达，王栋，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：吉林;22