[發(fā)明專利]一種基于布谷鳥搜索算法的函數(shù)優(yōu)化方法

在審

• 申請?zhí)枺?/td>: 201610757388.9
• 申請日: 2016-08-29
• 公開（公告）號: CN107784353A
• 公開（公告）日: 2018-03-09
• 發(fā)明（設計）人: 李書霞;馬慧生
• 申請（專利權(quán)）人: 普天信息技術(shù)有限公司
• 主分類號: G06N3/00
• 分類號: G06N3/00
• 代理公司: 北京路浩知識產(chǎn)權(quán)代理有限公司11002
• 代理人: 李相雨

技術(shù)領(lǐng)域

本發(fā)明涉及通信技術(shù)領(lǐng)域，更具體地，涉及一種基于布谷鳥搜索算法的函數(shù)優(yōu)化方法。

背景技術(shù)

布谷鳥搜索(Cuckoo Search Algorithm,CS)算法是由Yang和Deb于2009年提出的一種新興生物啟發(fā)算法，該算法模擬了布谷鳥尋窩產(chǎn)卵的行為，并引入了鳥類和果蠅的萊維飛行機制，使其能夠快速有效地尋找到最優(yōu)解。

已有研究證明，布谷鳥搜索算法在收斂速度和尋優(yōu)精度方面都超過了遺傳算法、差分進化、粒子群算法和人工蜂群算法等智能算法。正是由于這種算法參數(shù)少、算法簡單和易于實現(xiàn)的特點，目前已廣泛地應用于電力系統(tǒng)、通信網(wǎng)絡、系統(tǒng)辨識與參數(shù)估計、機器人控制、車間調(diào)度和交通運輸?shù)葘嶋H工程問題中。

在機器學習領(lǐng)域，布谷鳥搜索算法可以用來優(yōu)化神經(jīng)網(wǎng)絡、支持向量機、K-means、K最近鄰(KNN)、貝葉斯網(wǎng)絡、AdaBoost等機器學習算法的參數(shù)，將布谷鳥搜索算法和機器學習算法相結(jié)合，是提高機器學習算法性能的一個重要策略。

現(xiàn)有的布谷鳥搜索算法的具體步驟包括：步驟1，進行初始化設置；步驟2，鳥窩位置搜索；步驟3，鳥窩位置選擇；步驟4，精度或者迭代判斷。

其中，步驟1中，隨機產(chǎn)生N個鳥窩的位置然后把這N個鳥窩的位置帶到試驗函數(shù)當中進行選擇實驗，經(jīng)過測試就可選出最好鳥窩的位置，并將它保存留給到下一代使用。

其中，步驟2中，通過下述位置更新公式(1)，開始對下一代鳥窩的位置進行搜尋，以此獲得一組新的鳥窩位置，再次帶入到實驗函數(shù)中進行測試實驗，跟上一代得到的鳥窩位置進行比較之后選擇最優(yōu)的鳥窩位置進入下一步，其中，位置更新公式為：

其中，步驟3中，將宿主發(fā)現(xiàn)外來蛋的概率p_a＝0.25與服從均勻分布的隨機數(shù)r∈[0,1]相對比，如果r＞p_a，那么可以隨機改變的值；否則固定不變。再用測試函數(shù)測試改變后的鳥窩位置，把測試完的鳥窩位置跟上一代的最優(yōu)鳥窩位置進行對比，記錄測試值最優(yōu)的鳥窩位置最后選出測試值最優(yōu)的鳥窩位置

其中，步驟4中，計算是否達到目標精度或者達到迭代終止條件。如果符合要求，則就是全局最優(yōu)解gb，如果不符合，則要保留到下一代，返回步驟(2)再進行循環(huán)迭代更新。

與其他基于種群迭代的智能優(yōu)化算法一樣，布谷鳥搜索算法同樣存在后期收斂速度慢、局部搜索能力弱和易早熟收斂等缺點。

發(fā)明內(nèi)容

本發(fā)明提供一種克服上述問題或者至少部分地解決上述問題的基于布谷鳥搜索算法的函數(shù)優(yōu)化方法。

根據(jù)本發(fā)明的一個方面，提供一種基于布谷鳥搜索算法進行函數(shù)優(yōu)化的方法，包括：步驟1，在指定范圍內(nèi)隨機生成n組函數(shù)自變量，并將函數(shù)自變量值分成第一部分和第二部分；步驟2，對于第一部分，采用傳統(tǒng)布谷鳥算法更新自變量取值；步驟3，對于第二部分，采用已發(fā)現(xiàn)的一組最優(yōu)自變量值取代該部分全部自變量值，通過布谷鳥算法基于獲取的當前最佳函數(shù)值來更新迭代，獲取新的最優(yōu)自變量值。

其中，步驟3中進一步包括：

將固定數(shù)量的函數(shù)自變量值采用已發(fā)現(xiàn)的一組最優(yōu)自變量值代替，進行下一次搜索。

其中，步驟3進一步包括：

第二部分函數(shù)自變量值包括固定的m個值組成的隊列X_s＝(x₁,x₂,x₃…x_m)，采用已發(fā)現(xiàn)的一組函數(shù)自變量值X_Best＝(x_best1，x_best2，x_best3…x_bestk)代替；其中，把第1到第m₁個函數(shù)自變量值更換為x_best1，第m₁+1到第m₂個函數(shù)自變量值更換為x_best2，以此類推，最后第m_k-1+1到第m個函數(shù)自變量值更換為x_bestk。

其中，步驟3進一步包括：

基于所獲取的最優(yōu)函數(shù)取值，調(diào)整分離出的函數(shù)自變量值隊列的大小m和最優(yōu)函數(shù)自變量值k的取值，平衡算法全局搜索能力和局部搜索能力。

其中，步驟1還包括：隨機產(chǎn)生N個自變量值，把該N個自變量值帶到試驗函數(shù)當中進行選擇實驗，經(jīng)過函數(shù)值測試，選出最好鳥窩的自變量值，用以下次迭代。