[发明专利]一种混合布谷鸟搜索算法

说明书

本发明公开的混合布谷鸟搜索算法，将两个不同的一维更新策略引入到布谷鸟搜索算法中，同时，利用Levy分布的长跳跃特性，通过设置一个极限值来实现Levy飞行随机行走与一维更新策略之间的正确选取，不仅克服维间干扰并增强算法的局部搜索能力，也提高了算法跳出局部最优的概率，进而实现了勘探与开发之间的平衡；本发明能够有效提高布谷鸟搜索算法的收敛速度与收敛精度，并降低了算法的时间复杂度，对求解函数优化问题具有良好的收敛性能。

技术领域

本发明属于函数优化技术领域，具体涉及一种混合布谷鸟搜索算法。

背景技术

近20年来，优化已成为求解复杂问题时的一个重要的理论工具。优化算法设计的主要目的是求解这些问题的最大或最小值。为了有效求解这些优化问题，研究者提出了许多优化算法，如粒子群(PSO)、遗传算法(GA)、差分进化(DE)以及教与学算法(TLBO)等。一般来说，这些算法可以分为两大类：确定性和随机性。作为一类随机性方法，元启发式算法通常是受到一些自然机制的启发而提出的，并已广泛应用于优化问题的求解。与传统的梯度方法相比，元启发式算法的搜索结果更加有效。

布谷鸟搜索(CS)算法是一种基于种群的启发式优化算法，它具有实现简单、控制参数少等优点。近年来，关于CS算法及其应用研究受到了业界的广泛关注。在算法研究方面，一些人研究了控制参数的自适应调整策略。如Valian等设计了一种基于步长因子和发现概率动态调整的改进CS算法。此外，一些人改进了候选解的生成策略。如Rakhshani等在原始CS算法中引入了学习机制以及搜索算子，以平衡全局和局部搜索能力。此外，一些研究侧重于将其它进化算法或技术引入到CS中，以处理复杂的优化问题。如Mlakar等提出了一种混合自适应CS算法，主要包括差分进化变异机制、参数自适应控制以及种群规模线性递减等策略。

虽然这些改进的CS算法提高了解的精度以及收敛速度，但仍有进一步提升的空间。实际上，勘探与开发之间的有效平衡在求解复杂优化问题时起着非常重要的作用，而原始CS算法则侧重于勘探。同时，鉴于所求解的问题往往具有多维特性，故而采用整体更新策略可能会出现维数之间的相互干扰，从而降低了解的质量。此外，Levy飞行随机行走由局部随机游动和偶尔的长跳跃组成。尽管随机长跳跃有利于提高算法的勘探能力，但可能会导致局部空间信息不能被充分地利用。此外，相关研究也证明了仅利用偶尔的长跳跃不能对解空间进行有效地探索，尤其是在求解复杂的多峰优化问题时，这一缺陷就更加明显。因此，这就需要探索一种有效的改进策略，以进一步提高CS算法的收敛性能。

发明内容

本发明的目的是提供一种混合布谷鸟搜索算法，能够有效提高布谷鸟搜索算法的收敛速度与收敛精度，并降低算法的时间复杂度。

本发明所采用的技术方案是，一种混合布谷鸟搜索算法，具体按照如下步骤实施：

步骤1、对以下参数进行初始化：种群规模N、优化问题的维数D、最大函数评价次数MaxFEs、极限值l、分布参数β、选择概率p_e、控制参数R；

步骤2、生成初始种群，评估解的质量，确定最佳的适应度和最优解；

步骤3、生成初始的发现概率p_a；

步骤4、算法迭代开始；

若R<l，采用一维更新策略来生成新的解；否则，采用Levy飞行随机行走来生成新的解；

步骤5、评估步骤4得到的新解的质量；若此解优于当前解，则用此解替换当前解，并且R设置为0；否则，R＝R+1；

步骤6、采用偏好随机游走来生成新解；

步骤7、评估步骤6得到的新解的质量，若此解优于当前解，则用此解替换当前解，且保持p_a不变；否则再次生成发现概率p_a；