[发明专利]一种基于动态邻域学习的布谷鸟搜索算法

摘要

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。

主权项

1.一种基于动态邻域学习的布谷鸟搜索算法，其特征在于，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；步骤9、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10、确定全局最优解x_best及其适应度f_best；步骤11、判断t≥t_max是否成立，若成立，则迭代结束；否则跳转至步骤4继续迭代，且迭代次数加1。