多策略调和的布谷鸟搜索算法

布谷鸟搜索（CS）算法是一种新型的群智能算法,结构简单且寻优能力较强,但存在勘探与开采不平衡以及易陷入局部极值的问题。提出一种多策略调和的布谷鸟搜索（MSRCS）算法,基于概率规则选择由自适应步长和改进解更新方法组成的调和策略对布谷鸟个体进行更新,其中自适应步长引导布谷鸟在更好的方向上寻优,3种改进的解更新方法分别从自身邻域、当前最优个体和随机位置3个角度对勘探和开采进行调和,从而提升全局搜索和局部搜索在迭代过程中的适应性。在CEC2013测试集的28个基准函数上的实验结果表明,MSRCS算法至少有12个测试函数优于原始CS及其7种改进算法且排名第一,在求解单峰、多峰和组合函数问题时寻优能力更强,同时相比于3种经典群智能优化算法具有更快的收敛速度和更高的解精度。     

基于差分进化的布谷鸟搜索算法

针对基本布谷鸟搜索算法局部搜索能力弱、寻优精度低等不足,提出了一种具有差分进化策略的改进布谷鸟搜索算法。该算法是在种群进入下一次迭代之前在其个体上增加两个带权的差来实现个体变异,再对其进行交叉、选择操作得到最优个体,使缺乏变异机制的布谷鸟搜索算法具有变异能力,从而提高布谷鸟搜索算法的多样性,避免种群个体陷入局部最优,增强算法全局寻优能力。对几种经典测试函数和1个典型应用实例进行测试,仿真实验结果表明,新算法具有更好的全局搜索能力,在收敛精度、收敛速度以及寻优成功率等性能上显著优于基本布谷鸟搜索算法。     

动态调整概率的双重布谷鸟搜索算法

布谷鸟搜索算法是一种新兴的仿生智能算法,存在着求解精度低、易陷入局部最优及收敛速度慢等缺陷,提出了动态调整概率的双重布谷鸟搜索算法(DECS)。首先,在自适应发现概率P中引入了种群分布熵,通过算法的所处迭代阶数和种群分布情况,动态改变发现概率P的大小,有利于平衡布谷鸟算法局部寻优和全局寻优的能力,加快收敛速度;其次,在布谷鸟寻窝的路径位置更新公式中,采用了一种新型步长因子更新寻优方式,形成Levy飞行双重搜索模式,充分搜索空间;最后,在随机偏好游走的更新公式引入非线性对数递减的惯性权重策略,使得算法有效克服易陷入局部最优的缺陷,提高寻优搜索能力。与4种算法相比和19个测试函数的仿真结果表明:改进布谷鸟算法的寻优性能明显提高,收敛速度更快,求解精度更高,具有更强的全局搜索能力和跳出局部最优能力。     

多阶段动态扰动和动态惯性权重的布谷鸟算法

针对布谷鸟仿生智能优化算法存在着的易陷入局部最优、求解精度低以及收敛速度慢等问题,提出了基于多阶段动态扰动和动态惯性权重的布谷鸟搜索算法（MACS）。利用多阶段动态扰动策略对布谷鸟算法的全局位置的最优鸟巢位置根据方差可调的正态随机分布进行扰动,有利于增加种群的多样性和鸟窝位置的灵活性,提高算法全局搜索能力。在局部位置处引入动态惯性权重,使得算法有效克服易陷入局部最优的缺陷,提高局部寻优搜索能力。引入了动态切换概率[p]代替固定概率,可以动态平衡全局搜索和局部搜索。通过与4种算法相比和11个测试函数的仿真结果表明：改进布谷鸟算法（MACS）的寻优性能明显提高,收敛速度更快,求解精度更高,具有更强的全局搜索能力和跳出局部最优能力。     

参数动态调整的自适应布谷鸟算法

为提高布谷鸟算法的收敛速度和求解精度,提出了一种基于自适应机制的改进布谷鸟算法。该算法在迭代初期和末期分别使用两种自适应策略来动态调整步长和发现概率,提高了算法的局部和全局寻优能力。利用10个标准测试函数对基本布谷鸟算法、所提出的改进算法以及其他智能优化方法进行了仿真对比验证,结果表明所提出的改进布谷鸟算法在求解精度、稳定性以及收敛速度上都具有一定优势。     

一种新的自适应布谷鸟搜索算法

为提高布谷鸟搜索(cuckoo search)算法(CS)的局部与全局搜索能力和收敛速度,提出了一种新的自适应布谷鸟算法。在该算法中,提出一种自适应参数控制策略来动态地调整CS中的步长因子,以增强CS的搜索性能。另外,把类似差分进化算法变异策略引入到CS中,以进一步提高CS的种群多样性。仿真实验表明,改进的CS算法的优化性能得到了明显改善。     

自适应步长布谷鸟搜索算法

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。针对偏好随机游动,引入动态惯性权重和记忆策略后,算法能够充分利用历史经验,稳定性得到提高。实验结果表明,改进后的布谷鸟搜索算法的各方面性能较标准算法及相关改进版本都有显著提高。     

一类自适应免疫进化算法

基于免疫系统中的进化机理，提出一种自适应免疫进化算法，通过定义扩展半径和突交半径两个新算法参数构造了较小和较大两个邻域，分别利用这两个邻域进行局部和全局搜索，从而形成两层领域搜索机制，以保证算法的全局和局部搜索能力，定义了群体的多样度，并以此自适应调节算法参数以提高算法性能，给出了算法的全局收敛性证明，仿真结果表明，该算法收敛速度快，具有良好的全局寻优和局部求精能力。     

改进的布谷鸟搜索算法及其在多效蒸发优化中的应用

为了全面提升布谷鸟搜索算法(CS)的性能,提出了一种改进的布谷鸟搜索算法(MCS)。MCS算法采用了能大幅提高局部搜索能力的局部搜索策略、能使步长控制因子随算法进程由大到小自适应变化的自适应策略和能加强布谷鸟个体间信息交流的学习策略。2个标准测试函数被用于检验算法的性能,性能测试结果及对比试验表明,MCS算法在继承了CS算法强大的全局寻优能力的同时,具有更快的收敛速度、更高的收敛精度和更好的鲁棒性。最后,将MCS算法应用于求解多效蒸发系统的优化设计问题,优化效果显著。     

考虑同时取送和时间窗的车辆路径及求解算法

针对带时间窗的同时取送货车辆路径问题（vehicle routing problem with simultaneous pickup-delivery and time windows,VRPSPDTW），构建了以车辆使用成本、车辆行驶距离成本总支出最小化的路径优化数学模型，提出自适应头脑风暴算法（adaptive brain storm optimization,ABSO）进行求解。全局搜索阶段，采用多项惩罚方式扩大搜索区域，并使用聚类及三种路径搜索策略进行全局搜索；局部搜索阶段，将六种破坏-修复算子作为备选集合，进而设计自适应动态选择邻域搜索机制，增强局部搜索效能。选取测试数据集和实际案例对算法性能进行测试，实验结果表明针对小规模标准算例，所提算法全部取得了当前已知最优解；对于大规模标准算例，通过与遗传算法、并行模拟退火算法、离散布谷鸟算法对比，所提算法实验计算结果有7.52%～12.03%的提升；对于实际案例，所提算法在收敛速度和寻优能力方面均展示出优越性，充分验证了所提算法对解决VRPSPDTW问题的有效性。     

基于逐维反向学习的动态适应布谷鸟算法

为了解决布谷鸟搜索算法寻优精度不高、收敛速度慢、后期搜索活力不足以及处理高维优化问题时存在维间干扰等缺陷,提出了逐维反向学习策略的动态适应布谷鸟算法。首先,对选择更新后的解进行逐维反向学习,减少维间干扰,扩大种群多样性;然后,使用精英保留方式评价该结果,提高算法寻优能力;最后,充分利用当前解的信息进行动态适应的缩放因子控制,引导解快速收敛,提升算法搜索活力。实验结果表明,该算法相比较于标准布谷鸟搜索算法,寻优精度、收敛速度以及后期搜索活力有所提高,与其他改进算法相比也具有一定的竞争优势。     

城市灾区无人机网络自适应覆盖优化算法

城市灾区中,地面用户节点的移动特性使得应急网络覆盖成为难题。针对城市灾区移动用户节点的应急网络覆盖优化问题,提出一种无人机网络自适应覆盖优化算法。对布谷鸟搜索算法进行改进,并对目标函数进行优化调整,将城市灾区地面用户节点的移动模型应用于改进的布谷鸟算法模拟中,最终实现对城市灾区重点区域移动用户的自适应覆盖优化。仿真结果表明,所提算法与相同实验环境下的标准布谷鸟算法（CSA）和模拟退火算法（SAA）相比,对重点区域的覆盖率分别提升了2.98个百分点和1.87个百分点。多次实验表明无人机网络的覆盖率、连通性及路径损耗稳定,且随着仿真时间变化,应急网络的性能稳定。证明了该算法不仅能够对城市灾区移动节点提供稳定的动态网络覆盖,有较强的全局以及局部寻优能力且能够更加有效地提高对重点区域的覆盖率。     

基于拥挤度的改进蚁群算法

针对蚁群算法在求解旅行商问题时收敛时间长,且易陷入局部最优状态的缺陷,提出一种基于拥挤度的动态信息素蚁群优化策略。该算法引入静态拥挤度和动态拥挤度算子,主动提前预防停滞现象。将拥挤度与状态转移规则相结合,使蚁群状态实时跟随路径搜索情况而改变,提高蚁群自适应能力。针对蚁群路径搜索情况,加入邻域搜索优化规则,缩小搜索区域,结合2-opt局部优化策略,加快蚁群收敛速度。仿真结果表明,本算法既有较高的搜索效率又有较强的全局搜索能力。对比其他优化算法,无论是求解质量、稳定性还是收敛速度都能达到令人满意的效果。     

求解TSP问题的自适应离散型布谷鸟算法

对于求解的TSP问题,提出了一种自适应离散型布谷鸟算法（Adaptive Discrete Cuckoo Search,ADCS）。在基于布谷鸟搜索算法（Cuckoo Search,CS）的搜索原理下构造TSP问题的路径求解策略。针对离散型算法整体调整容易破坏已形成的较优路径和随着算法迭代数目增加导致种群多样性下降这两个缺陷,设计了一种针对路径的自适应型局部调整算子和全局随机扰动策略,采用了简单的2-opt优化算子作为局部优化算子以加快算法的收敛速度。最后采用多组不同规模的标准TSPLIB数据与其他的优化算法进行对比实验,结果表明ADCS算法在求解精度和稳定性方面具有优势。     

变邻域量子烟花算法求解CVRP

针对带容量约束的车辆路径问题，提出一种融合量子进化算法和变邻域优化策略的变邻域量子烟花算法。该算法采用等分随机键与最大位置法结合的实数编码方式，通过量子旋转门和非门变异提高算法全局搜索能力，同时运用结合2-Opt的变邻域优化策略加强局部搜索能力。选取17个基准算例进行参数实验和对比实验，实验结果表明，相对于对比算法，所提出的算法具有较好的寻优能力和收敛速度。     

具有万有引力加速机理的布谷鸟搜索算法

为了解决布谷鸟搜索算法收敛速度较低、全局收敛效率不高的问题,提出了具有万有引力加速机理的布谷鸟算法.该算法基于万有引力搜索无需学习外部环境因素的变化亦能感知全局最优的特点,将布谷鸟巢穴等价为不同质量的个体,使其在优化过程中不仅遵循Levy飞行规律,而且遵循万有引力定律.不仅利用布谷鸟巢穴间存在的万有引力进行加速搜索,而且提出了一种概率变异的方法,增大了种群多样性,有效地平衡了算法的全局搜索能力和局部开采能力,提高了算法的全局搜索效率和收敛精度.通过算法的数学机理分析和26个基准测试函数实验结果表明,所提出的算法与其他改进智能优化算法比较,具有更优的性能.     

An adaptive bi-flight cuckoo search with variable nests for continuous dynamic optimization problems

This paper presents an adaptive bi-flight cuckoo search algorithm for continuous dynamic optimization problems. Unlike the standard cuckoo search which relies on Levy flight, the proposed method uses two types of flight that are chosen adaptively by a learning automaton to control the global and local search ability of the method during the run. Furthermore, a variable nest scheme and a new cuckoo addition mechanism are introduced. A greedy local search method is also integrated to refine the best found solution. An extensive set of experiments is conducted on a variety of dynamic environments generated by the moving peaks benchmark, to evaluate the performance of the proposed approach. Results are also compared with those of other state-of-the-art algorithms from the literature. The experimental results indicate the effectiveness of the proposed approach.