【单目标优化求解】多阶段动态扰动和动态惯性权重布谷鸟算法求解单目标优化问题【含Matlab源码 1656期】-CSDN博客

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/134942431

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、布谷鸟算法简介（具体理论见参考文献[3]）

布谷鸟算法，英文叫做Cuckoo search (CS algorithm)。首先还是同样，介绍一下这个算法的英文含义， Cuckoo是布谷鸟的意思，啥是布谷鸟呢，是一种叫做布谷的鸟，o(∩_∩)o ，这种鸟她妈很懒，自己生蛋自己不养，一般把它的宝宝扔到别的种类鸟的鸟巢去。但是呢，当孵化后，遇到聪明的鸟妈妈，一看就知道不是亲生的，直接就被鸟妈妈给杀了。于是这群布谷鸟宝宝为了保命，它们就模仿别的种类的鸟叫，让智商或者情商极低的鸟妈妈误认为是自己的亲宝宝，这样它就活下来了。
布谷鸟搜索算法（Cuckoo Search, CS）是2009年Xin-She Yang 与Suash Deb在《Cuckoo Search via Levy Flights》一文中提出的一种优化算法。布谷鸟算法是一种集合了布谷鸟巢寄生性和莱维飞行（Levy Flights）模式的群体智能搜索技术，通过随机游走的方式搜索得到一个最优的鸟巢来孵化自己的鸟蛋。这种方式可以达到一种高效的寻优模式。

1 布谷鸟的巢寄生性
在这里插入图片描述
2 莱维飞行

图1.模拟莱维飞行轨迹示意图

3 布谷鸟搜索算法的实现过程
在这里插入图片描述

⛄二、部分源代码

%% 清除环境变量
clear
clc

%% 参数设置
N = 25; % 种群规模
Function_name = ‘F1’; % 从F1到F23的测试函数的名称（本文中的表1、2、3）
Max_iteration = 1000; % 最大迭代次数
cnt_max = 30;
% 加载所选基准函数的详细信息
[lb, ub, dim, fobj] = Get_Functions_details(Function_name);

Curve_MACS = zeros(1, Max_iteration);
Curve_CS = zeros(1, Max_iteration);
Curve_BA = zeros(1, Max_iteration);
Curve_FPA = zeros(1, Max_iteration);
Curve_ASCSA = zeros(1, Max_iteration);

for cnt = 1:cnt_max
% 初始化种群位置
X = initialization(N, dim, ub, lb);

[MACS_Best_score(cnt), MACS_Best_pos(cnt, :), MACS_Curve] = MACS(X, N, Max_iteration, lb, ub, dim, fobj);
[CS_Best_score(cnt), CS_Best_pos(cnt, :), CS_Curve] = CS(X, N, Max_iteration, lb, ub, dim, fobj);
[BA_Best_score(cnt), BA_Best_pos(cnt, :), BA_Curve] = BA(X, N, Max_iteration, lb, ub, dim, fobj);
[FPA_Best_score(cnt), FPA_Best_pos(cnt, :), FPA_Curve] = FPA(X, N, Max_iteration, lb, ub, dim, fobj);
[ASCSA_Best_score(cnt), ASCSA_Best_pos(cnt, :), ASCSA_Curve] = ASCSA(X, N, Max_iteration, lb, ub, dim, fobj);

Curve_MACS = Curve_MACS+MACS_Curve;
Curve_CS = Curve_CS+CS_Curve;
Curve_BA = Curve_BA+BA_Curve;
Curve_FPA = Curve_FPA+FPA_Curve;
Curve_ASCSA = Curve_ASCSA+ASCSA_Curve;

end

Curve_MACS = Curve_MACS/cnt_max;
Curve_CS = Curve_CS/cnt_max;
Curve_BA = Curve_BA/cnt_max;
Curve_FPA = Curve_FPA/cnt_max;
Curve_ASCSA = Curve_ASCSA/cnt_max;

std_MACS = std(MACS_Best_score);
std_CS = std(CS_Best_score);
std_BA = std(BA_Best_score);
std_FPA = std(FPA_Best_score);
std_ASCSA = std(ASCSA_Best_score);

best_MACS = max(MACS_Best_score);
best_CS = max(CS_Best_score);
best_BA = max(BA_Best_score);
best_FPA = max(FPA_Best_score);
best_ASCSA = max(ASCSA_Best_score);

worst_MACS = min(MACS_Best_score);
worst_CS = min(CS_Best_score);
worst_BA = min(BA_Best_score);
worst_FPA = min(FPA_Best_score);
worst_ASCSA = min(ASCSA_Best_score);

mean_MACS = mean(MACS_Best_score);
mean_CS = mean(CS_Best_score);
mean_BA = mean(BA_Best_score);
mean_FPA = mean(FPA_Best_score);
mean_ASCSA = mean(ASCSA_Best_score);

%% 画图
% 1、画出所选基准函数的三维立体图形
figure;
func_plot(Function_name);
title(Function_name)
xlabel(‘x_1’);
ylabel(‘x_2’);
zlabel([Function_name,‘( x_1 , x_2 )’])
img =gcf; %获取当前画图的句柄
print(img, ‘-dpng’, ‘-r600’, ‘./img4.png’) %即可得到对应格式和期望dpi的图像
% 2、画出目标函数值变化曲线图
figure;
t = 1:Max_iteration;
semilogy(t, Curve_MACS, ‘rd-’, t, Curve_CS, ‘go-’, t, Curve_BA, ‘bs-’, t, Curve_FPA, ‘mv-’, t, Curve_ASCSA, ‘k^-’, …
‘linewidth’, 1.5, ‘MarkerSize’, 8, ‘MarkerIndices’, 1:50:Max_iteration);
legend(‘MACS’, ‘CS’, ‘BA’, ‘FPA’, ‘ASCSA’);
% title(Function_name)
xlabel(‘Iteration’);
ylabel(‘Fitness’);
axis fill
grid on
box on
img =gcf; %获取当前画图的句柄
print(img, ‘-dpng’, ‘-r600’, ‘./img3.png’) %即可得到对应格式和期望dpi的图像
%% 显示结果
disp([‘函数：’, num2str(Function_name)]);
disp(['MACS：最大值: ', num2str(best_MACS), ‘,最小值:’, num2str(worst_MACS), ‘,平均值:’, num2str(mean_MACS), ‘,标准差:’, num2str(std_MACS)]);
disp(['CS：最大值: ', num2str(best_CS), ‘,最小值:’, num2str(worst_CS), ‘,平均值:’, num2str(mean_CS), ‘,标准差:’, num2str(std_CS)]);
disp(['BA：最大值: ', num2str(best_BA), ‘,最小值:’, num2str(worst_BA), ‘,平均值:’, num2str(mean_BA), ‘,标准差:’, num2str(std_BA)]);
disp(['FPA：最大值: ', num2str(best_FPA), ‘,最小值:’, num2str(worst_FPA), ‘,平均值:’, num2str(mean_FPA), ‘,标准差:’, num2str(std_FPA)]);
disp(['ASCSA：最大值: ', num2str(best_ASCSA), ‘,最小值:’, num2str(worst_ASCSA), ‘,平均值:’, num2str(mean_ASCSA), ‘,标准差:’, num2str(std_ASCSA)]);

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]张珍珍,贺兴时,于青林,杨新社.多阶段动态扰动和动态惯性权重的布谷鸟算法[J].计算机工程与应用

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合