布谷鸟算法的杂七杂八

关于布谷鸟算法的相关说法又是一个不大常见的拥有一定的自带机制可以对付局部极小值点的算法，但是这个年代还是不大多见。

布谷鸟搜索（Cuckoo Search，CS）是由Xin-She Yang 和Suash Deb 于2009 年开发的自然启发式算法。

CS 基于布谷鸟的寄生性育雏（brood parasitism，又巢寄生）行为。

该算法可以通过所谓的Levy 飞行来增强，而不是简单的各向同性随机游走。

研究表明，该算法可能比遗传算法、PSO 以及其他算法更有效。

不过这也是看具体的数据集的。

1 关于鸟类的育雏行为布谷鸟（杜鹃）是一种神奇的鸟，不仅因为它们动听的啼鸣，还因它们的积极的繁殖策略。

杜鹃科中的犀鹃（Ani Cuckoo）和圭拉鹃（Guira Cuckoo），将它们的蛋放在其他鸟的巢中，通过去除其他鸟（寄主）的蛋来增加自己蛋的孵化几率。

有相当多种类的鸟都有将自己的蛋放在其他鸟的巢中这种寄生性育雏行为。

这种方法使得一些科学家突发奇想，于是就有了现在的布谷鸟算法寄生性育雏分为三种：种内寄生（intraspecific brood parasitism）、合作养育（cooperative breeding）和巢占据（nest takeover）。

一些寄主鸟会与入侵的布谷鸟发生直接冲突。

如果一个寄主鸟发现这些蛋不是他们自己的，那么他们要么将这些外来蛋清除掉。

这是比较温和的生物，有的物种就比较暴脾气，他们直接放弃整个巢穴，在别处建造一个新的巢。

一些布谷鸟，例如New World brood-parasitic Tapera，已经进化成这样一种方式，雌杜鹃通常非常善于模仿几种特定寄主的卵的颜色和纹理。

这减少了它们蛋被遗弃的可能性，从而增加了它们的繁殖力。

这种物种对产蛋时机的把握也非常到位。

布谷鸟通常会选择那些寄主刚刚产下自己蛋的巢。

一般来说，布谷鸟蛋的孵化时间要比寄主蛋的孵化时间要早一些。

一旦第一只布谷鸟雏鸟孵化出来，第一个本能的动作就是通过盲目地推动将其他蛋从巢中推出，从而增加寄主对布谷鸟雏鸟的食物供给。

研究还表明，杜鹃雏鸟还可以模仿寄主雏鸟的叫声，以获得更多的被喂食机会。

2 Levy飞行Levy是征收的意思，同著名的枪战动漫《黑礁》的女主Revy要区分开。

另一方面，各种研究表明，许多动物和昆虫的飞行行为表现出了具有幂律规律的Lévy 飞行的典型特征。

Reynolds 和Frye 最近的一项研究表明，如同很多像我一样的RTS玩家的习惯一样，很多人在开始探路开视野的时候喜欢无规律的乱画路径进行探路操作，在生物圈中，有的生物也有这种奇怪的习惯，诸如果蝇（或Drosophila melanogaster）利用一系列直线飞行路径和突然的90°转弯来探索景观，从而产生Lévy飞行式的间歇无标度搜索模式。

针对人类行为的研究也表明，如Ju hoansi 狩猎采集觅食模式等也表现出了Lévy 飞行的典型特征。

即使是光线也与Lévy 飞行有联系。

另外，该行为已被应用于优化搜索，结果表明其具有潜力。

3 关于布谷鸟的搜索CS 是由Xin-She Yang 和Suash Deb 于2009 年开发的自然启发式算法。

CS 基于布谷鸟的寄生性育雏（brood parasitism，又巢寄生）行为而诞生的算法。

为了简化描述标准CS，这里我们引入以下三条理想化的规则：1、每只布谷鸟每次下一个蛋，并将其放入随机选择的巢中。

2、具有优质蛋的最佳巢会被带到下一代。

当然了，这里评价具体哪一个蛋的质量好也是使用的适应度函数的取值决定的。

3、可用的寄主巢数量是固定的，且寄主以概率pa∈(0,1)发现布谷鸟放的蛋。

在这种情况下，寄主可以消灭该蛋或放弃旧巢另建新巢。

进一步地，对于最后一个假设，新巢可以通过替换n 个宿主巢穴的pa ，也就就是原本巢穴的主人一怒之下决定丢弃原本的巢穴的概率的取值来近似。

对于最大化问题，解的质量或适应度可以简单地假设为与目标函数的值成比例。

其他形式的适应度可以用与遗传算法中的适应度函数类似的方式来定义。

从实现的角度来看，我们可以用下面的简单规则：每个巢中的蛋代表一个解，每个布谷鸟只能下一个蛋。

目的是使用新的适应度函数取值更高的解和可能更好的解（布谷鸟）来取代巢中不太好的解。

显然，这个算法可以扩展到更复杂的情况，也就是，每个巢有多个蛋来代表一组解。

这里，我们只考虑最简单的情况，每个巢只有一个蛋。

在这种情况下，蛋，巢或布谷鸟之间没有区别，因为每个巢对应一个鸡蛋，这也代表一只布谷鸟。

另一方面，全局随机行走使用Levy 飞行很显然，上述的两个过程都大量涉及到了之前的状态，之前的步长或者是其他的状态会直接影响这个时候的状态，所以这个过程一定不是马尔科夫过程。

4 关于其特殊情况的说明4.1布谷鸟算法的特殊情况4.2 关于levy飞行4.3 关于参数的选择在多模态函数的情况下，巢也分布在不同的（局部）最优点。

这意味着，如果巢的数量远远大于局部最优的数量，那么CS 可以同时找到所有的最优解。

当我们处理多模态和多目标优化问题时，这个优势可能变得更加重要。

5 关于布谷鸟算法的变种虽然关于规避局部极小值的算法有为数不少，但是布谷鸟算法至少在这个年代还不算主流的算法，而且现在关于很多参数的设定的问题病没有很多的相关经验公式或者表格可以使用，但是在这种大背景之下却依然有了很多的变种算法。

在过去的几年里，CS 的许多变种已经被开发出来。

尽管该算法只有短暂的历史，但由于其简单、高效和灵活，CS 引起了大量的关注。

结果就是，相关文献显著地增长。

标准CS 非常强大和高效，但它是为连续优化而开发的。

一个有用的扩展是开发离散CS，以使它可以有效地解决调度问题和组合优化。

不过有的用的确实不多修改的布谷鸟搜索（Modified cuckoo search，MCS）。

Walton 等人开发了修改的的布谷鸟搜索。

已被用来优化网格生成和其他应用。

改进的布谷鸟搜索（Improved cuckoo search，ICS）。

在人工智能应用上，Valian 等人提出了用改进的CS 训练前馈神经网络。

与此同时，Vazquez也在使用CS 来训练尖峰神经模型量子布谷鸟搜索（Quantum cuckoo search，QCS）。

Layeb通过给算法增加量子行为提出了一个CS 的变体，称之为量子CS。

QCS 已被应用于解决背包问题离散布谷鸟搜索（Discrete cuckoo search，DCS）。

对于调度和组合问题等离散应用，也有几个变种。

Ouaarab 等人开发了一个解决旅行商问题（TSPs）的离散CS。

Chandrasekaran 和S imon提出了多目标CS 方法来解决多目标调度问题多目标布谷鸟搜索（Multi-objective cuckoo search，MOCS）。

Yang 和Deb提出了一个求解多目标工程优化问题的多目标CS 方法离散多目标布谷鸟搜索（Discrete multi-objective cuckoo search，DMOCS）。

在多目标和调度问题的背景下，Chandrasekaran 和Simon开发了CS 的变体来解决离散多目标调度问题当然了，这个算法也能通过与其他算法相互融合从而完成更多的成就，可以结合的算法有很多，可以是PSO,可以是SA，可以是AFSA也可以是萤火虫算法6 优势除了前面的分析表明，DE、PSO 和SA 是CS 的特例，最近的理论研究也表明CS 具有全局收敛性PSO 的理论研究表明，它可以快速收敛到当前最优解，但不一定是全局最优解。

事实上，一些分析表明，PSO 更新方程不满足全局收敛条件，因此不能保证全局收敛。

另一方面，已经证明布谷鸟搜索能够满足全局收敛的要求，从而保证了全局收敛性。

这意味着对于多模态优化，PSO 可能过早地收敛到局部最优，而CS 通常可以收敛到全局最优。

此外，CS 具有两种搜索能力：局部搜索和全局搜索，由切换/发现概率控制。

正如前面提到的那样，局部搜索是非常密集的，搜索时间约为1/4（pa=0.25），而全局搜索约占总搜索时间的3/4。

这使得可以在全局范围内更高效地探索搜索空间，从而可以以更高的概率发现全局最优。

其实这里暗示可以使用第三方的算法或者是针对这个明显的特点对于搜索时的分布不均的特性加以利用，这样会进一步提高效率CS 的另一个优势是它的全局搜索使用Lévy 飞行，而不是标准的随机行走。

由于Lévy 飞行具有无限的均值和方差，CS 可以比使用标准高斯过程的算法更有效地探索搜索空间。

这一优势，加上局部搜索能力，保证全局收敛，使CS 非常高效。

事实上，各种研究和应用已经证明CS 是非常有效的6.1关于全局性的数学上的说明Wang 等人为标准CS 提供了全局收敛的数学证明，他们的方法基于马尔可夫链理论6.2具体应用CS 已经被应用于许多优化和计算智能领域。

例如，在工程设计应用中，CS 在一系列连续优化问题（例如弹簧设计和焊接梁设计）上面比其他算法具有更好的性能Walton 等人修改的CS 已被证明可以非常有效地解决非线性问题，如网格生成。

Yildiz利用CS 在铣削加工中选择最优的机床参数，提高了结果，Zheng 和Zhou提供了一个使用高斯过程的CS变体。

在数据融合和无线传感器网络中，CS 已被证明是非常有效的。

此外，基于量子的CS 能够有效地解决背包问题。

从算法分析的角度来看，Civicioglu 和Desdo提出的CS 与粒子群优化（PSO），差分进化（DE）和人工蜂群（ABC）的概念比较表明，CS 与差分进化算法比PSO 与ABC 提供了更健壮的结果。

Gandomi 等人为解决各种结构优化问题，提供了更为广泛的比较研究，得出的结论是，CS 与其他算法如PSO 和遗传算法（GA）相比能够获得更好的结果。

在各种应用中有一些有趣的性能提升，如Valian 等人使用CS 来训练神经网络，以及可靠性优化问题对于复杂的相平衡应用，Bhargava 等人表明，CS 为解决热力学计算提供了一个可靠的方法。

与此同时，Bulatovi’c 等人利用CS 解决了六杆双闭锁联锁问题，Moravej 和Akhlaghi [16] 以良好收敛速度和性能解决了配电网络中的DG 分配问题。

作为进一步的扩展，Yang 和Deb针对设计工程应用提出了多目标布谷鸟搜索（MOCS）。

对于多目标调度问题，Chandrasekaran 和Simon使用CS 算法取得了很大的进展，这证明了他们提出的方法的优越性。

合集下载

布谷鸟算法的含分布式电源配电网最优潮流优化

布谷鸟算法的含分布式电源配电网最优潮流优化张宸瑞【摘要】Since the method such as the simulated annealing algorithm can′t meet the power grid optimal power flow design of the multi-constraint variables,a cuckoo algorithm based optimal power flow optimization model of the power distribution net-work with distributed power supply is proposed. The objective function of the optimal power flow of the power supply distribution network was constructed in the model of multi-objective nonlinear constraint parameter. The consumption and total power distri-bution cost of the unit are taken as the optimization objects,and performed with optimal solution multipoint search with the cuckoo algorithm. The birds foraging process and migratory behavior are simulated to get the global optimal solution. The certainty plan-ning was carried out for the system according to its active power loss to solve the optimal power flow of the power distribution net-work with distributed power supply. The simulation results show that the method used to perform the optimal power flow optimiza-tion design of the power distribution network with distributed power supply can improve the utilization rate of the power supply effectively,reduce the operation cost of the system,and ensure the safe and economic operation of the power distribution net-work with distributed power supply.%针对当前模拟退火方法等算法不能满足多约束变量的电网最优潮流设计问题,提出基于布谷鸟算法的含分布式电源配电网最优潮流优化模型.在多目标非线性约束参量模型下构建电源配电网最优潮流目标函数,以机组的耗量和配电总费用为优化目标,采用布谷鸟算法进行最优解多点搜索,模拟鸟群觅食过程和迁徙行为进行全局优化求解,考虑系统的有功损耗进行确定性规划处理,实现含分布式电源配电网的最优潮流求解.仿真结果表明,采用该方法进行含分布式电源配电网最优潮流优化设计有效提高了电源的利用率,降低了系统的运行成本,确保了含分布式电源配电网的经济、安全运行.【期刊名称】《现代电子技术》【年(卷),期】2017(040)015【总页数】4页(P159-162)【关键词】布谷鸟算法;含分布式电源;配电网;最优潮流【作者】张宸瑞【作者单位】北京林业大学工学院,北京 100083【正文语种】中文【中图分类】TN99-34;TM727电力电子技术的发展推进了电源配电网系统的优化，分布式发电（Distributed Generation，DG）电源作为新能源并网的产物，在配电中具有模块化、分散式供电的优点，成为当前电网发展的重要方向[1]。

基于自适应差分扰动的布谷鸟搜索算法

第30卷第4期北华航天工业学院学报 V〇1.30N〇.4 2020 年 8 月Journal of North China Institute of Aerospace Engineering Aug.2020基于自适应差分扰动的布谷鸟搜索算法刘紫阳郑韩飞李丛萱(北华航天工业学院计算机学院，河北廊坊065000)摘要:针对布谷鸟优化算法收敛速度慢、全局寻优精度低的问题，提出了一种改进的基于自适应差分扰动的布谷鸟优化算法。

该算法在布谷鸟算法框架下加人自适应差分扰动量，使目标函数适应度在当前解的基础上进一步减少，加速算法收敛。

差分扰动量由扰动系数和适应度负差分向量决定。

适应度负差分向量作为扰动方向有助于适应度降低。

扰动系数与算法进化阶段相适应,使算法在迭代初期有较快收敛速度，而后期有更高的寻优精度。

将该算法和标准布谷鸟算法在多个单峰和多峰标准测试函数上进行仿真实验，结果表明该算法具有更快的收敛速度和更好的全局搜索能力。

关键词：布谷鸟搜索，差分扰动，莱维飞行，智能优化算法中图分类号:TP301.6 文献标识码：A 文章编号：1673-7938(2020)04-0016-04〇引言布谷鸟搜索算法（Cuckoo Search Algorithm, CSA)是一种模拟布谷鸟寄生育雏行为的仿生优化算法m。

CS算法的寻优能力来源于算法中包含的基于莱维飞行(L6vy Flights)的随机游走过程和基于种群内部交叉变异的偏好随机游走过程121。

CS算法过程简单、易于实现且需调优参数少，因此在工程设计、参数寻优问题上得到了广泛应用131。

CS算法中，莱维飞行的随机步长来自于具有无限方差和无限均值的莱维分布，随机步长呈现出短距离的探索与偶尔较长距离行走相间的特点，因此搜索路径容易从一个区域跳变到另一个区域。

这种跳变赋予了算法较好的全局探索能力，但同时具有盲目性。

此外，算法中鸟巢位置采取强记忆性的更新策略。

一种改进的新型布谷鸟搜索算法在工业流水作业中调度问题的优化应用

Technology Analysis技术分析DCW83数字通信世界2020.020 引言随着制造业的不断发展，产品质量提升的同时面临很多工业操作优化问题，其中，n 个作业必须在m 台机器上按顺序处理，就是非常典型的车间流调度问题。

在一个置换流车间调度问题中，所有机器上的作业必须以相同的顺序进行处理，证明了该问题是非常困难的。

因此，不能用常规的线性方法来解决这些问题。

在过去的几十年里，研究人员开发了许多启发式和元启发式的流程车间调度问题，以找到最优的解决方案。

重要的建设性启发法是由Campbell 等人（1970）、Dannenbring （1977）和Nawaz 等人（1983）提出的。

调度可以定义为在一段时间内分配资源，以执行一组任务来优化一个或多个目标函数。

调度是一个决策过程。

资源可以称为机器，任务可以称为作业。

在当今的竞争环境中，有效的调度在制造业和服务业中都扮演着重要的角色。

本文研究了具有n 个作业和m 台机器的置换流车间调度问题。

1 优化算法在工业流水调度优化中的应用发展Murata 等人（1996）利用遗传算法解决了流水车间调度问题。

Nowicki 和Smutnicki （1998）应用禁忌搜索算法解决了并行机器的流程车间调度问题。

Nearchou （2004）利用混合模拟退火算法解决了流水作业调度问题。

自Johnson （1954）提出流程车间调度问题以来，它一直是过去几十年中最著名的问题之一。

Johnson 开发了一个精确的算法来最小化最大完工时间来解决n 个工作和2台机器的流水车间调度问题。

流程车间调度问题是一个组合优化问题。

流程车间调度问题可能被陈述排序流车间调度问题中最小化最大完工时间和总流水时间的退火算法。

Haq 等人（2006）提出了一种分散搜索算法，使流水作业问题的最大完工时间最小化。

Onwubolu 和Davendra （2006）提出了一种差分演化算法来解决最小化完工时间的流水车间调度问题。

基于协同进化布谷鸟搜索算法

基于协同进化布谷鸟搜索算法作者：王庆喜朱丽华来源：《电脑知识与技术》2017年第04期摘要：在布谷鸟搜索算法的基础上，通过引入协同进化策略，提出了一种协同进化布谷鸟搜索算法，该算法对高维函数优化问题采用分而治之的方式把高维问题分解为若干个低维问题，各低维问题协同进化。

改进提升了算法的搜索能力，提高了算法的有效性。

关键词：布谷鸟搜索算法；协同进化策略；维数灾难中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）04-0233-02Cuckoo Search Algorithm Based on Co-evolutionWANG Qing-xi， ZHU Li-hua（School of Computer Science & Information Engineering， Anyang Institute of Technology，Anyang 455000， China）Abstract： based on cuckoo search algorithm， we propose a collaborative cuckoo search algorithm by introducing the cooperative strategy， the algorithm solves the algorithm of high dimensional optimization problems using the way that the high dimensional problem is decomposed into several low dimensional problems， and the low dimensional problems co evolution. The improved algorithm improves the searching ability of the algorithm and improves the algorithm's effectiveness.Key words： Cuckoo search algorithm； co-evolution strategy； Curse of dimensionality1 背景智能算法是一种模仿自然界生物机理的算法，具有自学习、自组织和自适应性，其有效性被多为学者证明，并且遗传算法和粒子群优化算法已经被应用到在高维优化问题[1-2]。

基于反向学习策略的深度搜索布谷鸟算法

xt+1，i=xt，i+r（xt，j-xt，k）。（4）
式中：r为比例因子，是（0，1）区间的均匀分布随机数;xt，j和xt，k为t代中的两个随机解。
（4）结束判决
若满足预设的求解精度或最大迭代次数，则结束，否则返回步骤（2）。算法的实现过程如图1描述。
1.2反向学习
反向学习（Opposition￣based Learning，OBL）被TIZHOOSH[9]2005年提出，是智能计算领域中的一种新技术。直到2008年，它才被RAHNAMAYAN等[10]用于差分进化算法。OBL是计算可行解决方案的基于反向的解决方案，同时评估原始解决方案和基于反向的解决方案，并选择更好的解决方案[11]。
（2）搜索
选择目标函数并计算每个鸟窝位置的目标函数值，得到当前的最优函数值，根据levy飞行生成新的鸟巢位置，计算每个蛋的适应度函数Ft，比较存优。levy飞行的随机步长公式为[1]
xt+1，i=xt，i+α0Levy（β）。（1）
式中：xt+1，i为巢穴位置更新后的位置;xt，i为当前巢穴位置;α0为步长缩放因子，通常为001[2]。
基于以上算法的启发，本文设计了一种改进的深度搜索布谷鸟（Deep Search Cuckoo Search，DSCS）算法。改进算法引入反向学习策略和逐维深度搜索策略来改进基本的CS。首先，对Levy飞行后的解进行反向学习，提升最优解的搜索效率;然后，对迭代结束后的全局最优解进行逐维深度搜索，捕捉潜在的最优解，弥补搜索步骤可能出现的问题，提高了算法的全局搜索能力。通过5个测试函数的实验结果证明，本改进的DSCS算法具有更好的全局搜索能力，搜索精度和收敛速度。
比较Levy飞行获得的解、Levy飞行获得的解的反向解以及当前最优解的目标函数值，本文将三个解中最小的目标函数值的解作为下一次迭代的最优解;蛋的位置更新，选择Levy飞行获得的解与Levy飞行获得的解的反向解中获得的位置更新。

改进的布谷鸟算法及相应罚函数法的应用

Φ （ｘ，ｒ（ｋ））进行测试，与上一代的位置进行对比，将最优的
保留到下一代。
步骤４随机产生一个均匀的分部数ｒ ∈ （０，１），与布
谷鸟的鸟蛋被发现的概率ｐａ＝０. ２５进行比较，如果ｒ＞
ｐａ
，则对
ｘｔ＋１ｉ
进行列维随机改变
，反之不变。再对新的位置
表１４种算法对标准测试函数Ｆ１的寻优结果比较
函数
算法
最优值
平均值
最差值
ＨＧＡ ‐６９６１.８１４ ‐６９６１. ８１４ ‐６９６１. ８０９ＨＥＡ ‐６９６１.８１４ ‐６９６１. ８１４ ‐６９６１. ８１４Ｆ１ＨＣＳ ‐６９６１.８１４ ‐６９６１. ８１４ ‐６９６１. ８１３ＰＭＣＳ ‐６９６１.８２１ ‐６９６１. ８２０ ‐６９６１. ８１８
布谷鸟算法算法流程如下：
目标函数ｆ（ｘ），ｘ＝（ｘ１，ｘ２，… ，ｘｎ）Ｔ种群迭代次数ｔ＝１；
初始化一个具有Ｎ个鸟巢的种群ｘｉ，（ｉ＝１，２，… ，Ｎ）；
Ｗｈｉｌｅ（ｔ＜Ｇｍａｘ）
通过列维飞行得到一个布谷鸟ｉ；
评估这个布谷鸟Ｆｉ；
随机选择一个鸟窝ｊ；
第３６卷第７期
臧睿，刘延龙：改进的布谷鸟算法及相应罚函数法的应用
・１８２１・
Φ （ｘ，ｒ（ｋ））
ｓ. ｔ. ｘ ∈ Ｒｎｋ＝０，１，…
（３）
惩罚项Ｇ［ｇｕ（Ｘ）］和Ｈ［ｈｕ（Ｘ）］满足：当点ｘ不满足
约束时候，由约束函数构成的惩罚项的值很大，并且随着

自适应步长布谷鸟搜索算法

ｃｏｍｅｔｈｅｄｅｆｅｃｔｉｏｎｓｔｈａｔｓｔａｎｄａｒｄｌｇｏａｉｔｒｈｍｈａｓｓｌｏｗｃｏｎｖｅｒｇｅｎｃｅｒａｔｅａｎｄｆａｌｌｓｉｎｔｏ１ｏｃｌａｏｐｔｉｍｕｍｅａｓｉｌｙｉｎｔｈｅｌａｔｅｒｐｅ —
摘要布谷鸟搜索算法（ＣＳＡ）是一种新颖且简单、高效的生物启发式算法。针对标准算法存在后期收敛速度慢、易
陷入局部最优等问题，提出了一种新的自适应步长布谷鸟搜索算法（ＡＳｃｓＡ）。通过自适应调整莱维飞行步长使算法在前期拥有较大的寻优空间，提高全局搜索能力；步长随迭代自适应减小，算法的局部开发能力增强。针对偏好随机
ＡｄａｐｔｉｖｅＳｔｅｐ－ｓｉｚｅＣｕｃｋｏｏＳｅａｒｃｈＡｌｇｏｒｉｔｈｍ
ＬＩＲｏｎｇ－ｙｕＤＡＩＲｕｉ－ｗｅｎ
（ＣｏｌｌｅｇｅｏｆｏｍｐＣｕｔｅｒＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，ＮａＮｉｎｇＴｅｃｈＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１１８００，Ｃｈｉｎａ）
ｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆＡＳＣＳＡｉｓｏｂｖｉｏｕｓｌｙｉｍｐｒｏｖｅｄｂｙｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｓｔａｎｄｒｄａＣＳａｌｇｏｒｉｔｈｍａｄｎ

一种小生境布谷鸟算法

一种小生境布谷鸟算法
一种小生境布谷鸟算法(Small-World Finch Algorithm, SWFA)是一种用于求解搜索问题的迭代搜索算法，它受到了布谷鸟的行为模式的启发。

SWFA使用布谷鸟的随机搜索行为来寻找最优解，同时也尝试学习布谷鸟在搜索过程中有效的运动行为。

SWFA将搜索空间划分为多个小区域，每个小区域都有一个特征值。

SWFA的算法首先从这些小区域中随机选择一个，然后计算出当前状态和目标状态之间的距离，根据距离大小确定下一步要前进到哪个小区域，接着重复上述操作，不断改变小区域，并计算此时的距离，直到距离为0时，即找到了最优解。

作业车间调度问题的布谷鸟搜索算法求解

摘要：布谷鸟搜索算法是一种新型元启发式优化算法，该算法受到自然界中布谷鸟的巢寄生行为启发而提出。首先分析了布谷鸟搜索算法的仿生原理和数学描述，采用基于工序的编码方式对最小化最大完工时间的作业车间调度问题进行布谷鸟搜索算法求解。通过典型算例进行仿真实验，测试结果表明布谷鸟搜索算法求解作业车间调度
ｍａｔｉｃａｌｄｅｓｃｒｉｐｔｉｏｎ．Ｔｈｅｃｏｄｅｒｕｌｅｂａｓｅｄｏｎｓｅｑｕｅｎｃｅｉｓａｄｏｐｔｅｄｔｏｓｏｌｖｅｊｏｂ — ｓｈｏｐｓｃｈｅｄｕｌｉｎｇｐｒｏｂｌｅｍ，ｗｈｏｓｅｏｂｊｅｃｔｉｖｅｉｓ
ｐａｒｅｓｉｔｓｐｅｒｆｏｒｍａｎｃｅｗｉｔｈｔｈｏｓｅｏｆｉｆｒｅｌｙｆａｌｇｏｒｉｔｈｍａｎｄｂａｓｉｃｐａｒｔｉｃｌｅｓｗａｒｎｌｏｐｔｉｍｉｚａｔｉｏｎ．ＳｉｍｕｌａｔｉｏｎｓａｎｄｒｅｓｕｌｔｓｓｈｏｗｔｈａｔＣＳｉｓｖｅｒｙｅｆｆｅｃｔｉｖｅ，ｓｕｐｅｒｉｏｒａｎｄｐｒｏｍｉｓｉｎｇｉｎｓｏｌｖｉｎｇｐｒｏｄｕｃｔｉｏｎｓｃｈｅｄｕｌｉｎｇｐｒｏｂｌｅｍ．
computerengineeringandapplications计算机工程与应用4基于布谷鸟搜索算法的作业车间调度问题求解i设置算法基本参数1i41编码方式机初始化鸟窝位置基于工序编码规则将鸟本文在求解jsp问题时采用基于工序的编码规则茸位置转换为工序排列按公式17计算即染色体由m个基因组成它们表示一个工序的目标函数值并获得当前最优鸟窝位置排列在这个工序排列中每个工件号均出现且只能出保留上代最优鸟窝位置按公式811现m次

二进制布谷鸟搜索算法

ｔｒａｎｓｆｏｒｍｅｄｉｎｔｏｂｉｎａｒｙｃｏｄｉｎｇｒｅｓｐｅｃｔｉｖｅｌｙａｃｃｏｄｉｒｎｇｔｏＫｅｎｎｅｄｙａｎｄＥｂｅｒｈａ ’ ＳｆｏｒｍｕｌａａｎｄＬｉｕＪｉｎｇａｈｕａ ’ ｓｆｏｒｍｕｌａ，ａｎｄｔｈｅｎ
飞行路径分别按照Ｋｅｎｎｅｄｙ和Ｅｂｅｒｈａ公式及刘建华公式进行二进制代码变换，引入二进制编码控制系数对变换得到
的二进制编码进行混合更新，保留布谷鸟蛋被淘汰的机制等方法将新型高效的布谷乌搜索（ｃｓ）算法改进为二进制布谷鸟搜索（ＢＣＳ）算法。将ＢＣＳ算法用于求解背包问题，结果好于遗传算法和几种混合遗传算法；将ＢＣＳ算法用于求解旅行商问题，结果好于遗传算法、蚁群算法和微粒群算法，但略差于改进的惯性权重自适应调整微粒群优化算法。二进制布谷鸟搜索算法是求解ＮＰ完全问题的新型高效算法。
ＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓ
ＩＳＳＮ１００１．９０８１ＣＯＤＥＮＪＹＩＩＤＵ
２０１３．．０６．．０１
计算机应用，２０１３，３３（６）：１５６６—１５７０
二进制布谷鸟搜索算法
冯登科，阮奇，杜利敏

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。