[发明专利]一种基于动态邻域学习的布谷鸟搜索算法

说明书

本发明公开了一种基于动态邻域学习的布谷鸟搜索算法，首先，对Levy飞行策略进行修改，将个体最优解，而不是整个种群中迄今为止所获得的最优解，作为指导搜索行为的范例以缓解早熟收敛；其次，使用不同的学习范例来更新每个个体的不同维度上的信息，个体每个维度上的学习范例从预先定义的邻域中选择；最后，为了进一步实现信息交换，设定一个学习概率来控制个体是否向其自身的经验或其邻居的经验学习。本发明能够有效提高布谷鸟搜索算法在处理复杂多模问题时的寻优能力。

技术领域

本发明属于函数优化技术领域，具体涉及一种基于动态邻域学习的布谷鸟搜索算法。

背景技术

目前，研究者们开发了许多进化算法来求解不同的优化问题。其中，布谷鸟搜索(CS)算法是一种新近提出的优化方法，鉴于其控制参数少、易于实现等优势，CS算法受到了广泛关注，并已应用于多个领域。

CS算法采用Levy飞行和偏好随机行走来生成新的候选解，分别对应于勘探和开发。然而，在Levy飞行中，仅仅使用偶尔长跳跃机制不能保证算法有效地探索解空间，故而它的全局搜索能力较弱；此外，每个个体的搜索行为是由迄今为止所发现的最优解来引导，该方案加速了收敛速度，但容易遭受多样性的损失以及早熟收敛。研究表明，CS算法在求解复杂多模问题时的收敛性能较差。此外，如何实现勘探和开发之间的良好平衡仍然是进化算法中的一个悬而未决的问题。

基于此，研究者提出了一些策略来平衡勘探和开发，其中，邻域拓扑是提高算法性能的一种常用方案。对于该项技术，有两种邻域信息可供选择，即基于索引以及基于距离的拓扑结构；鉴于基于索引的邻域拓扑具有较少的计算代价，研究者们更热衷于采用该方法来定义邻域信息。此外，在贪婪选择策略中，即使一些维度上的适应度值较好，但是总体质量较差的解也将被丢弃，从而导致一些有用信息的丧失；为了获得高质量的解，充分利用所有维度上的更新信息是非常有必要的。在求解单模问题时，邻域拓扑的收敛速度较慢，因此，如何提高种群多样性而不显著降低收敛速度的研究显得尤为必要。

发明内容

本发明的目的是提供一种基于动态邻域学习的布谷鸟搜索算法，具有提高布谷鸟搜索算法在处理复杂多模问题时的寻优能力的特点。

本发明所采用的技术方案是，一种基于动态邻域学习的布谷鸟搜索算法，具体按照以下步骤实施：

步骤1、对以下参数进行初始化：种群规模N、问题维数D、最大迭代次数t_max、发现概率p_a、学习概率p_c，生成初始种群X(x₁…,x_i…,x_N)；

步骤2、计算个体x_i的适应度f(x_i)；

步骤3、设定个体最优解pb_i＝x_i，确定所述初始种群中的全局最优解x_best及其适应度f_best，并令当前迭代次数t＝1；

步骤4、算法进行迭代；

步骤5、选择学习范例，即若随机数rand＜p_c，则个体x_i的每一维从其邻域中选择学习范例并向学习范例学习；否则，个体x_i向它自身学习；

步骤6、采用修改后的Levy飞行策略生成新解；

步骤7、计算新解的适应度，若新解优于当前解，则用新解替换当前解；同时，将新解设为个体最优解pb_i，否则保留当前解；

步骤8、若随机数rand＞p_a，则采用偏好随机行走再次生成新解；否则跳转至步骤10；