基于Powell策略的全局优化布谷鸟算法提升求解精度

本文主要探讨了基于Powell局部搜索策略的全局优化布谷鸟搜索算法的研究。布谷鸟搜索算法，作为一种模仿鸟类迁徙行为的生物启发式优化方法，最初因其全局搜索能力而被广泛应用于函数优化领域。然而，它在搜索后期往往表现出收敛速度慢、求解精度不足以及容易陷入局部最优解的问题。为解决这些问题，研究者提出了一种创新的算法设计，将布谷鸟搜索的全局视野与Powell局部搜索策略相结合。 Powell方法是一种著名的混合梯度和直接搜索的优化算法，它在局部寻优方面表现出色，能够有效地避免陷入局部最优。在这个新的算法中，通过动态构建精英种群候选解池，适应度值较高的个体会被保留下来，这些个体在算法迭代后期会引导Powell搜索进行局部优化。这种方法旨在保持搜索速度的同时，提升算法的求解精度，使其能够在复杂函数优化问题中寻找到更接近全局极值的解。 实验部分使用了52个典型的测试函数来验证新算法的效果，结果表明，相较于传统的布谷鸟搜索算法，该算法在寻优精度和寻优率上有显著提高，显示出更强的适应性和鲁棒性。此外，即使与当前最先进的改进算法相比较，这种基于Powell局部搜索策略的全局优化布谷鸟算法也展示出了一定的竞争优势。 作者们来自于南京旅游职业学院和南京大学，他们分别是马卫（讲师，博士研究生，主要研究智能优化和进化计算）、孙正兴（教授，博导，研究智能人机交互、多媒体计算和计算机视觉）以及李俊楼（硕士，研究智能优化）。他们的研究成果不仅提升了布谷鸟搜索算法的性能，也为函数优化领域的理论和实践提供了新的视角和可能。 该论文的发表日期为2014年，获得了国家自然科学基金、国家“863”计划、江苏省科技计划等多个项目的资助，并得到了2014年度江苏省“青蓝工程”青年骨干教师基金以及南京旅游职业学院科研创新团队建设项目的支持。该研究对于改进现有优化算法并推动人工智能领域的实际应用具有重要意义。