![](https://csdnimg.cn/release/download_crawler_static/18269607/bg1.jpg)
收稿日期:20181025;修回日期:20181203 基金项目:贵州省科技计划项目重大专项项目(黔科合重大专项字[2018]3002;黔科合重
大专项字[2016]3022);贵州省公共大数据重点实验室开放课题(2017BDKFJJ004);贵州省教育厅青年科技人才成长项目(黔科合 KY字[2016]124)
作者简介:黄闽茗(1995),女,硕士研究生,主要研究方向为进化计算、数据挖掘;何庆(1982),男(通信作者),副教授,博士,主要研究方向为
大数据应用、进化计算(qhe@gzu.edu.cn);文熙(1995),男,硕士研究生,主要研究方向为进化计算、智能控制.
基于逐维反向学习的动态适应布谷鸟算法
黄闽茗
1a,1b
,何 庆
1a,1b
,文 熙
2
(1.贵州大学 a.大数据与信息工程学院;b.贵州省公共大数据重点实验室,贵阳 550025;2.河北工业大学 人
工智能与数据科学学院,天津 300000)
摘 要: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。
关键词:布谷鸟搜索算法;反向学习;函数优化;维间干扰;动态适应
中图分类号:TP301 文献标志码:A 文章编号:10013695(2020)04012101505
doi:10.19734/j.issn.10013695.2018.10.0725
Dynamicallyadaptivecuckoosearchalgorithmbasedon
dimensionbyoppositionbasedlearning
HuangMinming
1a,1b
,HeQing
1a,1b
,WenXi
2
(1.a.CollegeofBigData&InformationEngineering,b.GuizhouProvincialKeyLaboratoryofPublicBigData,GuizhouUniversity,Guiyang
550025,China;2.SchoolofArtificialIntelligence,HebeiUniversityofTechnology,Tianjin300000,China)
Abstract:Therearestillsomeshortcomingsincuckoosearchalgorithm,suchaslowconvergenceprecision,slowconvergence
speed,weaksearchvitalityandinterferencephenomenaamongdimensionswhendealingwithhighdimensionaloptimization
problems.Thispaperproposeddynamicallyadaptivecuckoosearchalgorithmbasedondimensionbyoppositionbasedlearning.
Firstly,theselectedsolutionupdatedfordimensionbydimensionbyoppositionbasedlearning,whichcouldreduceinterdimen
sionalinterferenceandexpandpopulationdiversity.Thenitusedthemethodofeliteretentiontoevaluatetheresultandimprove
thesearchabilityofthealgorithm.Finally
,itfullyutilizedtheinformationofthecurrentsolutiontodynamicallyadaptivethesca
lingfactorcontroltoguidethesolutiontoconvergequicklyandenhancethesearchvitalityofthealgorithm.Theexperimental
resultsshowthatcomparedwiththestandardcuckoosearchalgorithm,theproposedalgorithmhasimprovedconvergencepreci
sion
,convergencespeedandsearchvitality.Comparedwithotherimprovedalgorithms,ithascertaincompetitiveadvantage.
Keywords: cuckoosearchalgorithm; oppositionbasedlearning; functionoptimization; interdimensionalinterference;
dynamicallyadaptive
布谷鸟搜索(cuckoosearch,CS)算法
[1]
是由 Yang和 Deb
于 2009年提出的一种新的全局搜索算法,该算法源于对布谷
鸟育雏行为以及鸟类的莱维飞行(Lévyflight)行为的模拟。由
于算法具有高效、参数少、易于实现等优点,已经在工程优化和
函数优化问题中得到了广泛的应用,成为启发式智能算法领域
的一个新亮点
[2,3]
。但 CS算法也存在收敛能力差、搜索活力
不足
[4,5]
等缺点,因此,国内外学者陆续对算法做了进一步的
研究和改进。王凡等人
[6]
通过分析 CS算法的 Markov链模型,
研究算法的状态转移过程,证明了 CS算法的收敛性。陈华等
人
[7]
结合 logistic模型改进 CS算法,自动调节步长控制因子和
发现概率的大小,提高了全局搜索能力。实验表明,改进算法
具有较好的性能。Ong等人
[8]
提出一种双亲交叉的自适应布
谷鸟算法,通过实验验证了该算法的有效性。马卫等人
[9]
通
过构建精英种群候选解池与 Powell局部搜索策略相结合,通过
实验证明改进算法具有一定的竞争优势。
上述研究成果丰富了 CS算法的相关改进工作,都较好地
改善了 CS算法的收敛速度和收敛精度,但大多数改进算法都
采用整体更新再评价策略,即先更新解的所有维度信息,再根
据目标函数进行评价,这样的评价更新方式使得维间相互干
扰,将恶化解的收敛效率和收敛速度。王李进等人
[10]
提出基
于逐维改进
CS算法,采用逐维更新评价策略,强化进化维的
信息,减少维间干扰,实验结果验证了该算法的有效性,但在处
理高维复杂函数时,逐维策略在收敛前期将耗费大量的评价次
数,导致收敛效率变慢,收敛后期活力不足。受逐维改进策略
以及各混合改进算法
[11~13]
的启发,本文主要针对标准 CS算
法收敛速度偏慢、求解精度较低、搜索活力差以及高维复杂函
数难收敛等问题,提出了一种基于逐维反向学习的动态适应布
谷鸟 搜 索 算 法 (
dynamicallyadaptivecuckoosearchalgorithm
basedondimensionbyoppositionbasedlearning,DADOCS)。
1 相关工作
1.1 布谷鸟搜索算法
布谷鸟算法的基本原理就是把蛋所寄生的巢穴位置映射
第 37卷第 4期
2020年 4月
计 算 机 应 用 研 究
ApplicationResearchofComputers
Vol37No4
Apr.2020