[发明专利]一种对布谷鸟优化算法进行改进的方法

说明书

技术领域

本发明涉及智能优化算法技术领域，具体是一种对布谷鸟优化算法进行改进的方法。

背景技术

在自然界中，布谷鸟寻找适合自己产卵的鸟巢位置是随机的或类似随机，为了模拟布谷鸟寻窝的方式，首先，需要假定以下3个理想的状态：

(1)每只布谷鸟一次只产一个卵，并随机选择鸟巢位置来孵化它；

(2)在随机选择的一组鸟巢中，最好的鸟巢将会被保留到下一代；

(3)所使用的宿主鸟巢的数量是固定的，而布谷鸟的鸟卵有一定的概率P_a∈[0，1]被宿主鸟发现，在这种情况下，宿主鸟就会把布谷鸟的鸟卵扔掉或者抛弃自己的巢到另外的地方重新建巢。在第三个规则当中，我们认为n个鸟巢中P_a部分由新的鸟巢(具有新的随机解)所代替。

对于一个最大值问题，一个解的适应度或质量是和它的目标函数值成正比的，这类似于其它只能算法如遗传算法，在具体到算法中，每一个巢的位置表示一个解，当要产生一个新解x(t+1)时，对于每个布谷鸟都要实施一次莱维飞行，其目的是要用新的和可能更优的解去代替不太好的解，每个布谷鸟寻巢的路径和位置更新公式如下：

式中，a>0是步长，它与所要解决问题的尺度有关，在算法中通常取a＝1；表示点乘积；Levy(λ)为Lévy随机搜索路径。

一般来讲，布谷鸟搜索算法的随机运动就是马尔可夫链，它的下一个状态或位置只取决于当前位置(公式第一项)和转换概率(第二项)。表示点对点乘法，类似的运算在粒子群算法中也可以看到，但是这种通过莱维飞行产生的随机运动会更长，这使得它在探索解空间时会更加有效。从公式可以看到由于莱维飞行的随机运动，一些新解会产生在局部最优值附近，因此莱维飞行短步长加速了局部搜索。另外，由于莱维飞行产生的长步长，相当一部分新解会产生在距离局部最优值较远的地方，这就确保算法不会陷入局部最小值。

在Mantegna的算法中，基于莱维飞行的步长计算公式为：

式中，u、v服从正态分布；Γ为标准的Gamma函数，该概率分布的方差与均值都是无界的。

因此，布谷鸟寻找鸟巢的运动公式为：

现有的布谷鸟优化算法中种群多样性缺失，易陷入局部最优，不利于工程化应用。

发明内容

本发明的目的在于提供一种有效解决传统布谷鸟优化算法收敛精度低、迭代后期易陷入局部最优的缺陷的对布谷鸟优化算法进行改进的方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种对布谷鸟优化算法进行改进的方法，包括如下步骤：

步骤10：动态自适应参数a和P_a的获取；

步骤20：反向学习策略的引入；

步骤30：多开端策略的启用。

作为本发明进一步的方案：所述步骤10中参数a和P_a的获取过程如下：

式中，a_start、a_end分别表示a的初值和终值；P_astart、P_aend分别表示P_a的初值和终值；t为当前迭代次数，Maxgen为最大迭代次数。

作为本发明进一步的方案：所述步骤20中反向学习策略的引入过程如下：

a)初始阶段：随机产生n个鸟巢的初始位置并依据反向点原理计算其对应的反向点找出当前最优鸟巢的位置

b)迭代阶段：根据随机数A值的大小，判断是否需要启动反向学习策略，根据适应度值的计算结果淘汰适应度值较差的个体。

作为本发明再进一步的方案：所述步骤30中多开端策略的启用过程如下：

根据最优解停止更新的次数S来判断是否需要初始化种群，如果S大于允许停滞次数S_max，则开始初始化种群，并将S重新置零，并保存个体最优和全局最优的信息。

与现有技术相比，本发明的有益效果是：

本发明建立了一种改进型布谷鸟优化算法，与现有布谷鸟优化算法相比，本发明方法充分考虑了算法收敛性和计算复杂性，设定对应的门槛条件来分别启用反向学习策略及多开端策略，具有更快的收敛速度，更高的收敛精度，在对复杂非线性问题进行求解时，该方法既能够有效提高计算精度，同时又能够加快计算速度。

附图说明

图1为本发明的流程示意图。