[发明专利]动态布谷鸟搜索算法

摘要

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。

主权项

1.动态布谷鸟搜索算法，其特征在于包括以下步骤: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；式中，r′为[0，1]间的随机数，f_iter为当前适应度函数值，f_best为当前最好的适应度函数值，f_worse为当前最差的适应度函数值；式中，N_iter表示的是当前迭代的次数，N_max表示迭代的最大次数，P_amax的值为0.5，P_amin的值为0.01；同时把当前迭代的次数N_iter代入到动态发现概率公式(4)中，从而计算出宿主鸟发现布谷鸟鸟蛋概率P_a，比较P_a和r的大小，如果r大于P_a，就把对应的解(鸟巢位置)随机改变，反之就不变，计算改变之后的解(鸟巢位置)对应的适应度函数的值，与上一代的解(鸟巢位置)进行比较，最后用记录下适应度值最好的解(鸟巢位置)；步骤5:计算步骤四中记录的适应度值最好的解(鸟巢位置)对应的目标函数值判断目标函数值是否满足终止条件，如果满足那么就是算法最终搜索的全局最优解，如果不满足就返回到步骤2；步骤6:输出步骤5记录的适应度值最好的解(鸟巢位置)它就是全局最优解(鸟巢位置)。