基于随机局部搜索的改进布谷鸟搜索算法.docxVIP

基于随机局部搜索的改进布谷鸟搜索算法 0 算法整体框架 在设计应用中，许多优化问题，如容器设计、波纹管设计、拉压弹簧结构优化设计等，可以转变为非线性约束优化设计。不失一般性, 一个非线性约束优化问题 ( 最小化问题) 可描述为 其中: f ( x) 是目标函数, gj( x) 和hj( x) 分别为不等式约束和等式约束, li和ui分别为变量xi的上下界。等式约束hj( x) = 0通常可以转换为hj( x) - δ≤0 和- hj( x) - δ≤0 两个不等式约束来处理, δ 是一个很小的正数。 与传统的优化方法相比, 以遗传算法等为代表的智能优化算法是一类基于种群迭代的全局优化方法, 它不需要问题的梯度信息, 容易实现, 能以较大的概率收敛到问题的全局最优解, 在函数优化、机器学习、神经网络训练、参数优化等领域中得到广泛应用［1］。然而, 智能优化算法是基于无约束的优化技术, 在求解约束优化问题式 ( 1) 时一定要结合一种合适的约束处理技术。Michalewicz等人［2］将现有的基于进化算法的约束处理技术分成四类, 即惩罚函数法、多目标法、可行解优于不可行解法和其他混合方法。利用进化算法求解约束优化问题已成为进化计算领域的研究热点之一, 并涌现出大量的约束优化进化算法［3］。 布谷鸟搜索 ( cuckoo search, CS) 算法是Yang等人［4］于2009 年提出的一种模拟布谷鸟寻窝产卵行为的全局搜索方法。CS算法是一种新的基于种群迭代的搜索算法, 具有容易实现、参数设置少等优点, 在无约束优化等领域有着广泛的应用［5，6］。CS算法已被证明在收敛速度和稳定性方面都超过了遗传算法和粒子群优化算法［4］, 然而与其他基于种群迭代的智能优化算法一样, CS算法同样存在后期收敛速度慢、局部搜索能力弱和易早熟收敛等缺点。针对CS算法存在局部搜索能力弱的缺点, 本文提出了一种改进的CS算法。为了平衡算法的勘探和开采能力, 引入惯性权重对Lévy飞行更新公式进行修改; 利用随机局部搜索算法对当前最优解进行局部搜索, 以加快算法的收敛速度; 结合改进的可行性规则处理约束条件, 对三个工程结构优化设计问题进行求解, 数值实验结果表明了改进算法的有效性。 1 布谷鸟窝的寻窝 CS算法模拟了布谷鸟为寻找适合产卵的鸟窝而随机游走的寻窝过程。为了模拟布谷鸟寻窝的行为, 需设定以下三个理想的状态［4］: a) 布谷鸟一次只产一个卵, 并随机选择鸟窝位置来孵化它; b) 在随机选择的一组鸟窝中, 最好位置的鸟窝将会保留到下一代; c) 可利用的鸟窝数量N是固定的, 一个鸟窝主人能发现一个外来鸟蛋的概率为Pa。 在CS算法中, 一个鸟巢的卵表示一个候选解, 一个布谷鸟的卵表示一个新的解。在上述三个理想状态的基础上, 布谷鸟寻窝的路径和位置更新公式如下: 其中: xti表示第i个鸟窝在第t代的鸟窝位置; α 为步长控制量; ⊕为点积; L ( λ) 为随机步长路径, 其服从Lévy分布: 通过位置更新后, 用随机数r∈[0, 1]与鸟窝的主人发现外来鸟的概率Pa对比, 若r Pa, 则对xti进行随机改变, 否则不变。 CS算法的伪代码如下所示。 与粒子群优化算法一样, 布谷鸟搜索算法也是基于种群迭代的全局随机搜索算法, 将鸟窝位置看做是问题的候选解 ( 最优鸟窝位置即对应为问题的最优解) , 通过位置更新公式进行迭代, 从而逼近最优解。然而, PSO算法主要以个体自身的最优位置和群体中全局最优位置为引导进行位置更新, 从而引导粒子群逐步向最优粒子靠拢, 具有较强的局部搜索能力, 引入惯性权重以平衡算法的全局与局部搜索能力。CS算法则通过产生随机步长来更新鸟窝位置, 其步长服从Lévy分布, 最后以一定概率对当前鸟窝位置进行判断是否进行改变。 2 改进的布谷鸟搜索方法 2.1 基于佳点集方法的计算效率 在求解具体问题前, 对其全局最优解处在什么位置还一无所知, 如果随机初始化种群个体, 不利于搜索到全局最优解, 可能导致要增加迭代次数或种群大小, 这势必会增加算法的计算量。另外, Huapt等人［7］指出, 在基于种群迭代搜索的全局优化算法中, 多样性较好的初始种群对寻找全局最优解很有帮助。 佳点集方法是一种有效的、可以减少实验次数的实验方法。在相同取点个数的条件下, 佳点序列要比其他方法选取的点序列更均匀［8］。因此, 本文采用佳点集方法生成初始种群, 从而保证了初始种群的多样性。图1 是采用佳点集方法产生的规模为80 的二维初始种群分布。从图1 可以看出, 与随机方法相比, 利用佳点集方法产生的初始种群个体分布均匀, 具有较好的多样性。 2.2 改进惯性权重 在基本CS算法中, 布谷鸟寻窝的路径和位置是随机的, 以父代位置信息为参考