[发明专利]动态布谷鸟搜索算法

说明书

动态布谷鸟搜索算法，包括下述内容：对传统布谷鸟搜索算法的两个参数步长和发现概率进行了改进。在布谷鸟的位置更新公式中引入了适应度函数值的变化趋势，进而平衡了搜索速度和搜索精度之间的关系，算法初期较大步长全局搜索，算法后期较小步长局部搜索。同时在鸟蛋被发现的过程中，提高了解适应度好的后代保留概率，改善了偏好随机游走的不确定性，且随着搜索的进行减小发现概率，使得进化后期容易产生新个体。通过改进提高了布谷鸟搜索算法的收敛速度，避免算法陷入局部最优解，提升了算法的优化性能。

技术领域

本发明属于一种新兴启发算法，具体涉及一种改进的布谷鸟搜索算法。

背景技术

传统的布谷鸟搜索算法把布谷鸟巢寄的行为与Lévy飞行的偏好游走相结合，而Lévy飞行步长取值由满足正态分布的u和v来决定，所以步长完全是随机的，虽然随机的步长可以满足解的多样性，避免算法陷入局部最优解，但是步长的大小的不确定性会影响算法的收敛速度。传统的布谷鸟搜索算法通过解被发现的机制，可以提高解的多样性，避免出现解陷入局部最小值的问题，被发现的解会被抛弃，并以偏好游走的方式通过位置更新公式生成新解，来替代掉被发现的解，通过这种机制可以提高算法全局搜索的性能。但是在这种机制中，解是随机被抛弃的，会导致适应度值好的解被抛弃，影响解的精度。因此设计一种平衡搜索速度和精度的改进的布谷鸟搜索算法具有重要意义。

发明内容

本发明的目的是针对上述问题，提供了一种动态布谷鸟搜索算法，该算法比传统布谷鸟搜索算法具有更快的收敛速度，能够避免算法陷入局部最优解，并且提升了算法的优化性能。

动态布谷鸟搜索算法，包括以下步骤:

步骤1:用f(x)来表示目标函数，其中x＝(x₁,x₂,...,x_n)^T，初始化一个具有n个鸟巢的种群x_i＝(i＝1,2,3,…n)，设置鸟巢规模数量为n、算法维数为d、最大步长因子α_max为0.5、最小步长因子α_min为0.01、最大发现概率P_amax为0.5、最小发现概率P_amin为0.01及最大迭代次数N_max等参数；

步骤2:用(x_1,1,x_1,2,...,x_1,n)^T这n个解表示随机初始化的n个鸟巢位置，对每一个解分别计算目标函数的值，用f_best记录适应度值最好的解(鸟巢位置)，同时用f_worse记录适应度值最差的解(鸟巢位置)；

步骤3:根据当前迭代次数N_iter，用公式(1)计算出步长因子α，保留上代适应度值最好的解(鸟巢位置)。

式中，α_max为最大步长因子，α_min为最小步长因子，α_max＝0.5，α_min＝0.01， N_max为最大迭代次数，N_iter为当前迭代次数。

式中，代表的是迭代第K次时最优解的值，f_k代表的是迭代第K次时适应度函数的值。

根据计算出来的步长因子α和当前目标函数的值计算出下一步的步长，把步长代入到位置更新公式(2)中，对其余解(鸟巢的位置)进行更新，计算出更新之后的解(鸟巢的位置)对应的适应度函数值，分别和上代最好的适应度值进行比较，最后把最好的记录为当前最好的解(鸟巢位置)；

步骤4:对每一个解(鸟巢位置)随机产生一个0到1之间的数r′，根据公式(3) 计算出对应的r。