【优化求解】基于布谷鸟算法结合灰狼算法求解最优目标matlab代码

1 简介

布谷鸟搜索（Cuckoo Search, CS）算法是 2009 年 Xin-She Yang 与 Susash Deb 提出的一种新型的启发算法[61]。算法灵感来源于一些布谷鸟种属（Cuckoo Species）的专性寄生哺育（BroodParasitism）行为，即这些种群不会像绝大多数鸟类一样自己筑巢哺育后代，而是通常把蛋产于宿主鸟巢内，由宿主代养，这种行为被称为巢寄生。此类布谷鸟会观察宿主鸟所产的卵并对其进行模仿，按照宿主鸟卵的颜色形状来产卵，导致宿主鸟辨别出布谷鸟卵的几率微乎其微，布谷鸟卵混在宿主鸟卵中，孵化后由宿主鸟哺育并与宿主雏鸟争夺生存资源。然而，布谷鸟卵一旦被宿主鸟识破情况便不同，宿主将完全摧毁鸟巢或是仅仅将布谷鸟卵摧毁。因此布谷鸟在繁殖季会寻找孵化周期类似、雏鸟习性类似以及卵外观类似的宿主鸟。布谷鸟通常会趁宿主外出时将卵产于巢内，有时会将宿主卵推出巢后进行产卵，使布谷雏鸟独享生存资源，以提高生存几率。此外，布谷鸟等动物的觅食过程是也是一种有启发性的随机行为过程。所在位置确定移动的下一个目标点，所选取的数学模型决定移动方向。根据当前位置与到下一个位置的转移概率，它们会飞向或是走向搜索路径。鸟类的这种飞行行为，在很多研究中被证明为莱维飞行（Levy Flight）的典型特征

GWO 的这种位置更新方式缺陷十分明显：全局搜索能力薄弱，有较高的概率陷入局部最优解，尤其是在使用高维数据集时。而 CS 算法在更新宿主鸟巢的位置时，主要是通过寄养行为与莱维飞行两种操作实现。因而算法搜索步长或长或短都有几乎相等的概率，并且移动方向的选择具有高度随机性。此外，算法更容易从当前区域跳转到其他区域，完成全局搜索。基于 CS 算法的以上优点，本章将 CS 算法与 GWO 结合以提高 GWO 算法的性能，提出经布谷鸟搜索算法改进的 GWO 算法（CS-GWO），改善了 GWO 算法存在的易于陷入局部最优的问题。CS-GWO 算法具体流程图如图 所示：

2 部分代码

clear all 
clc
close all
warning off

SearchAgents_no=30; % Number of search agents

Function_name='F2'; % Name of the test function that can be from F1 to F23 

Max_iteration=500; % Maximum number of iterations

Run_no = 20; 
   
for k =  1 : 1 : Run_no   

% Load details of the selected benchmark function
[lb,ub,dim,fobj]=Get_Function_details(Function_name);

[Best_score_CS2,Best_pos_CS2,AGWOCS_cg_curve]=AGWO_CS(SearchAgents_no,Max_iteration,lb,ub,dim,fobj); % Augmented GWO- Cuckoo Search.
BestSolutions1(k) = Best_score_CS2;

   
   Average= mean(BestSolutions1);
   Mean=mean(BestSolutions1);
   StandDP=std(BestSolutions1);
   Med = median(BestSolutions1); 
  [BestValueP I]   = min(BestSolutions1);
  [WorstValueP IM] = max(BestSolutions1);
   

      disp(['Run # ' , num2str(k), ' Best_score_AGWOCS : ' , num2str( Best_score_CS2)]);      
end


    disp([ 'Best=',num2str( BestValueP)]);
    disp([ 'Worst=',num2str(WorstValueP)]);
    disp([ 'Average=',num2str( Average)]);
    disp([ 'Mean=',num2str( Mean)]);
    disp([ 'Standard Deviation=',num2str( StandDP)]);
    disp([ 'Median=',num2str(Med)]);
    

figure('Position',[300 190 980 490])
%figure('Position',[300 190 500 270])
%Draw search space
subplot(1,2,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
%colormap parula

%Draw objective space
subplot(1,2,2);
%semilogy(GWO_cg_curve,'Color','r')
hold on

semilogy(AGWOCS_cg_curve,'Color','m')

title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');

axis tight
grid on
box on
%legend('AGWO-CS')
legend({'AGWO-CS'},'FontSize',14,'location','best')

3 仿真结果

4 参考文献

[1]顾凯冬. 基于灰狼算法优化最小二乘支持向量机的调制信号识别研究. Diss. 南京邮电大学.

### 博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，有科研问题可私信交流。