布谷鸟算法.ppt

* 布谷鸟算法 Cuckoo Search 启发式算法 布谷鸟算法 人工萤火虫优化算法 和声算法/蜂群算法 粒子群算法 蚁群算法 文化基因算法 遗传算法 随机搜索 模式搜索 名称 即兴音乐创作/蜜蜂采蜜过程 2000 萤火虫通过通过荧光进行信息交流 2005 来源 时间 布谷鸟孵育行为 鸟类和鱼类群体运动行为 模拟蚁群觅食过程 2009 1995 1990-1995 1990 1975 1960-1965 1950-1955 背景起源—布谷鸟的孵育寄生行为 某些种属的布谷鸟将自己的卵偷偷产入宿主巢穴，由于布谷鸟后代的孵化时间比宿主的幼雏早，孵化的幼雏会本能地破坏同一巢穴中其他的卵(推出巢穴)，并发出比宿主幼雏更响亮的叫声。很多宿主通过后代的叫声大小判断其健康程度, 而健康后代获得的食物较多, 进而拥有更高的存活率。在某些情况下, 宿主也会发现巢穴中的陌生卵。这时, 宿主将遗弃该巢穴, 并选择其他地方重新筑巢。在与宿主不断的生存竞争中， 布谷鸟的卵和幼雏叫声均朝着模拟宿主的方向发展, 以对抗宿主不断进化的分辨能力。 背景起源—莱维飞行 在自然界中，动物寻找食物采用随机的方式。一般情况下，动物觅食路径实际上是一个随机游走，因为下一步的行动是取决于两个因素，一个是当前的位置/状态，另一个是过渡到下一个位置的概率。 莱维飞行行走的步长满足一个重尾( heavy-tailed)的稳定分布, 在这种形式的行走中, 短距离的探索与偶尔较长距离的行走相间。在智能优化算法中采用莱维飞行, 能扩大搜索范围、增加种群多样性, 更容易跳出局部最优点。 CS算法—国内外研究进展 将PSO与CS串行,在每次迭代过程中首先用PSO算法优化种群,并记录全局最优和个体最优,其次采用CS算法对种群个体最优继续寻优 Wang 等人 借鉴 PSO 算法中全局最优和个体最优的概念,在 CS 算法 Levy flights 随机游动和偏好随机游动之间引入 PSO 组件 Ghodrati 等人 与其他算法结合 引入量子比特、量子纠缠以及量子变异等量子计算概念,以提高 CS 算法种群的多样性,并成功地应用于求解装箱问题 Layeb等人 提出了一种自适应步长和自适应发现概率的 CS 算法 Valian 等人 自适应 针对偏好随机游动中的步长提出一种基于种群排序的改进版本 Tuba 等人 针对 Levy flights 随机游动中的 Levy 随机步长大小提出一种改进版本以加强局部搜索 Walton 等人 步长 观点 学者 分类 CS算法—基本假设 1 每只布谷鸟一次产一个卵, 并随机选择寄生巢来孵化它; 2 在随机选择的一组寄生巢中, 最好的寄生巢将会被保留到下一代; 3 可利用的寄生巢数量是固定的, 一个寄生巢的主人能发现一个外来鸟蛋的概率为 .(即新的解决方案的概率为 ) CS算法—基本流程 CS算法—基本流程 布谷鸟位置更新公式： 表示第i个鸟巢在第g代的鸟巢位置 表示点对点乘法 表示步长控制量，通常取1 表示莱维随机搜索路径 (1) CS算法—基本流程 (2) 步长公式： ：常数 :当前最优解 (3) 服从莱维概率分布 CS算法—基本流程 为了便于计算，采用下列公式产生Levy随机数 u,v 服从标准正态分布， =1.5 CS算法—基本流程 综合上述公式，布谷鸟位置更新公式如下： （4） 按一定概率丢弃部分解后，采用偏好随机游走重新生成相同数量的新解 r是缩放因子，是（0,1）区间内的均匀分布随机数 ：表示g代的两个随机数 改进的CS算法—自适应步长的CS算法 在标准的布谷鸟优化算法中，利用莱维飞行随机产生步长，不利于计算。当步长较小时，会降低搜索速度，但步长较大时，会降低搜索精度，因此提出了自适应步长的布谷鸟搜索算法，该算法根据不同阶段的搜索结果，自适应的调整步长的大小。引入公式: ：第i个鸟巢的位置 ：当前最优的鸟巢位置 ：最优位置与剩余鸟巢位置的最大距离 ：最大步长 ：最小步长 改进的CS算法—基于共轭梯度的CS算法 共扼梯度算法是沿着己知点附近的一组共扼方向搜索，能够充分的利用局部区域的信息，有较强的局部搜索能力，将其引入到CS算法中，进而提高CS算法的收敛速度与计算精度。 主要思想：将更新后位置的梯度与共轭因子的乘积加到该位置的负梯度上，利用线性组合构造出新的共轭方向，沿着该方向进行搜索 CS算法—使用范围 多目标 多约束的优化问题，包括N-P问题 CS算法验证—Himmelblau问题 约束条件： CS算法验证—Himmelblau问题 CS算法—优势 1 一种群智能算法（与粒子群算法以及遗传算法类似），但同时引入了生物学进化论（类似于和声算法）； 2 由于莱维飞行的步长满足重尾的稳定分布，因此这种随机搜索