布谷鸟算法（C++实现）

最新推荐文章于 2024-05-16 23:28:51 发布
最新推荐文章于 2024-05-16 23:28:51 发布
阅读量2.1k 收藏 21
点赞数 5
分类专栏： 算法 文章标签： 布谷鸟算法 C++
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44583228/article/details/102553768
版权

算法思想

布谷鸟鸟群最终只有最健康的蛋才能孵化出来。
布谷鸟群每只鸟都在拼命寻找好巢穴以达到下最健康的蛋的母的。

算法步骤

在这里插入图片描述

步骤一 初始化

初始化布谷鸟种群数量（鸟窝个数），计算各个鸟窝（解）的函数适应值，并保存最好的鸟窝（当前最优解）。

步骤二 循环体

算法主体的位置更新包含两个，一个是莱维飞行和局部随机行走

莱维飞行

在这里插入图片描述

莱维飞行是由较长时间的短步长和较短时间的长步长组成
Levy分布就是小概率值较大和大概率值较小，和自然界中大多数动物觅食方式方式类似，也就是先找到一片区域再细致的查找猎物，如果没找到，就换一片区域找。

在这里插入图片描述
布谷鸟算法使用 Mantegna 算法来实现对称的 Lévy 稳定分布。
在这里插入图片描述

局部随机行走

在宿主鸟发现布谷鸟蛋时，布谷鸟去寻找新的寄生巢时的位置更新。

在这里插入图片描述
a是步长缩放因子。

循环体 步骤（1）位置更新

在这里插入图片描述
注意：
1.保留上代最优鸟窝位置，其余布谷鸟进行莱维飞行寻找寄宿鸟窝，此处可利用小技巧，如下方让 Lévy 稳定分布乘以系数
(i.x - OldNestPop[bestNum].x)，当鸟窝是最优解时，此系数为0，避免丢失最优鸟窝位置。

double stepX = (i.x - OldNestPop[bestNum].x) * R(e) / (pow(abs(R1(e)), 1 / beta));
double stepY = (i.x - OldNestPop[bestNum].x) * R(e) / (pow(abs(R1(e)), 1 / beta));

2.布谷鸟群新寄生一组鸟窝群，与原来的鸟窝群对比，替换原来适应度较差的鸟窝，布谷鸟群只守护适应度高的鸟窝。

循环体 步骤（2）存安去险

在这里插入图片描述
注意：
1.布谷鸟群守护的寄生鸟窝的原宿主会跟布谷鸟打架，布谷鸟如果打不过，这只布谷鸟就会在这个鸟巢附近随机寻找一个新
鸟巢下蛋，并守护。（布谷鸟打不过的概率一般是Pa = 0.25）。
正规说法如下图。
在这里插入图片描述
2.布谷鸟群对更新后的鸟窝群里的布谷鸟蛋进行检测，选出最健康的蛋（找出更新后的当前最优解）。

步骤三 终止条件

在这里插入图片描述

应用举例

以下是对一个二维函数求最小值的C++程序：
此函数为
在这里插入图片描述
此函数图像
在这里插入图片描述
算法结果图

在这里插入图片描述
在这里插入图片描述

C++程序如下

#include <iostream>
#include <vector>
#include <cmath>
#include <random>
#include <time.h>
#include <fstream>
#define pi acos(-1)
//5只布谷鸟
constexpr int NestNum = 40;	
//pi值
//规定X,Y 的取值范围
constexpr double X_max = 5;
constexpr double X_min = 0;
constexpr double Y_max = 5;
constexpr double Y_min = 0;
//最大迭代次数
constexpr int MaxIterationTimes = 300;
//被宿主发现的概率
constexpr double Pa = 0.25;

//自变量结构体
struct Nest {
	double x;
	double y;
	double fitness;
};
void fitFunc(Nest& nest);
int findBetterNest(std::vector<Nest>&);
std::vector<Nest> levy(std::vector<Nest> OldNestPop, std::size_t bestNum);
std::vector<Nest> RandomAbandonPaNestPop(std::vector<Nest> OldNestPop);
//随机数引擎
static std::default_random_engine e(time(0));
static std::uniform_real_distribution<double> u(0, 1);
int main(void)
{
	bool flag_output = false;
	double Xold;
	double Xnew;
	double Yold;
	double Ynew;
	std::ofstream outfileX("D:\\cuckoo\\cuckooX.txt");
	std::ofstream outfileY("D:\\cuckoo\\cuckooY.txt");
	std::ofstream outfileZ("D:\\cuckoo\\cuckooZ.txt");
	//现在的鸟巢群
	std::vector<Nest> current_nestPop;
	//迭代次数
	int num = 0;
	//最优鸟巢
	int BestNestCurrent;	
	//初始化
	for (int i = 0; i < NestNum; ++i)
	{
		Nest nestinitial;
		nestinitial.x = (X_max - X_min) * u(e) + X_min;
		nestinitial.y = (Y_max - Y_min) * u(e) + Y_min;
		fitFunc(nestinitial);
		current_nestPop.push_back(nestinitial);
	}
	//for (auto i : nestPop)
	//{
	//	std::cout << i.fitness << std::endl;
	//}
	//寻找最优个体
	BestNestCurrent = findBetterNest(current_nestPop);
	outfileX << current_nestPop[BestNestCurrent].x << std::endl;
	outfileY << current_nestPop[BestNestCurrent].y << std::endl;
	outfileZ << current_nestPop[BestNestCurrent].fitness << std::endl;
	while (num < MaxIterationTimes)
	{
		//储存上次的最优解的X,Y
		Xold = current_nestPop[BestNestCurrent].x;
		Yold = current_nestPop[BestNestCurrent].y;
		//levy飞行--位置更新
		std::vector<Nest> NewNestPop = levy(current_nestPop, BestNestCurrent);
		//用适应值较好的鸟窝位置替换适应值较差的鸟窝位置
		for (decltype(NewNestPop.size()) i = 0; i < NewNestPop.size(); ++i)
		{
			if (i != BestNestCurrent && NewNestPop[i].fitness < current_nestPop[i].fitness)
			{
				current_nestPop[i] = NewNestPop[i];
			}
		}//此时得到更优的鸟窝位置
		//存安去险 保留鸟窝中被发现概率较小的鸟窝位置，并随机改变发现概率较大的鸟窝位置
		NewNestPop = RandomAbandonPaNestPop(current_nestPop);
		for (decltype(NewNestPop.size()) i = 0; i < NewNestPop.size(); ++i)
		{
			if (i != BestNestCurrent && NewNestPop[i].fitness < current_nestPop[i].fitness)
			{
				current_nestPop[i] = NewNestPop[i];
			}
		}//此时得到更优的鸟窝位置

		BestNestCurrent = findBetterNest(current_nestPop);//现在的最优鸟巢位置
		Xnew = current_nestPop[BestNestCurrent].x;
		Ynew = current_nestPop[BestNestCurrent].y;

		if (Xnew != Xold || Ynew != Yold)
		{
			outfileX << current_nestPop[BestNestCurrent].x << std::endl;
			outfileY << current_nestPop[BestNestCurrent].y << std::endl;
			
		}

		outfileZ << current_nestPop[BestNestCurrent].fitness << std::endl;
		/*std::cout << current_nestPop[BestNestCurrent].fitness << std::endl;
		std::cout << "(x,y)" << '(' << current_nestPop[BestNestCurrent].x << ',' << current_nestPop[BestNestCurrent].y << ')' << std::endl;*/
		//outfileX << current_nestPop[BestNestCurrent].x << std::endl;
		//outfileY << current_nestPop[BestNestCurrent].y << std::endl;
		//outfileZ << current_nestPop[BestNestCurrent].fitness << std::endl;

		num++;
	}

	std::cout << current_nestPop[BestNestCurrent].fitness << std::endl;
	return 0;
}

void fitFunc(Nest& nest)
{
	
	nest.fitness = -sin(nest.x) * pow(sin(nest.x * nest.x / pi), 20) - sin(nest.y) * pow(sin(2 * nest.y * nest.y / pi), 20);
	
	//nest.fitness = -(nest.x - 1) * (nest.x - 1) + 1;
}

int findBetterNest(std::vector<Nest>& nestPop)
{
	int BestNum = 0;
	for (decltype(nestPop.size()) i = 0; i < nestPop.size(); ++i)
	{
		if (nestPop[i].fitness < nestPop[BestNum].fitness)
		{
			BestNum = i;
		}
	}

	return BestNum;
}

std::vector<Nest> levy(std::vector<Nest> OldNestPop,std::size_t bestNum)
{
	double beta = 1.5;
	//	double alpha = 0.01 * R(e);//有的论文写
	double alpha = 0.4;
	double sigma_u = pow((tgamma(1 + beta) * sin(pi * beta / 2)) / (beta * tgamma((1 + beta) / 2) * pow(2, (beta - 1) / 2)), 1 / beta);
	double sigma_v = 1;

	static std::normal_distribution<double> R(0, sigma_u);
	static std::normal_distribution<double> R1(0, sigma_v);

	for (auto& i : OldNestPop) 
	{
		//前面的系数是保证最优鸟巢不会进行levy飞行
		double stepX = (i.x - OldNestPop[bestNum].x) * R(e) / (pow(abs(R1(e)), 1 / beta));
		double stepY = (i.x - OldNestPop[bestNum].x) * R(e) / (pow(abs(R1(e)), 1 / beta));
		//按范围更新X
		if (i.x + alpha * stepX > X_max)
		{
			i.x = X_max;
		}
		else if(i.x + alpha * stepX < X_min)
		{
			i.x = X_min;
		}
		else
		{
			i.x = i.x + alpha * stepX;
		}
		//按范围更新Y
		if (i.y + alpha * stepY > Y_max)
		{
			i.y = Y_max;
		}
		else if (i.y + alpha * stepY < Y_min)
		{
			i.y = Y_min;
		}
		else
		{
			i.y = i.y + alpha * stepY;
		}

		fitFunc(i);
	}

	return OldNestPop;
}

std::vector<Nest> RandomAbandonPaNestPop(std::vector<Nest> OldNestPop)
{
	double step_sizeX = 0;
	double step_sizeY = 0;
	static std::uniform_int_distribution<int> randomInt(0, OldNestPop.size() - 1);
	for(decltype(OldNestPop.size()) i = 0;i < OldNestPop.size();++i)
	{
		if (u(e) < Pa)//被宿主发现了，要重新寻找新巢
		{
			step_sizeX = u(e) * (OldNestPop[randomInt(e)].x - OldNestPop[randomInt(e)].x);
			step_sizeY = u(e) * (OldNestPop[randomInt(e)].y - OldNestPop[randomInt(e)].y);

			if (OldNestPop[i].x + step_sizeX > X_max)
			{
				OldNestPop[i].x = X_max;
			}
			else if(OldNestPop[i].x + step_sizeX < X_min)
			{
				OldNestPop[i].x = X_min;
			}
			else
			{
				OldNestPop[i].x += step_sizeX;
			}
			
			if (OldNestPop[i].y + step_sizeY > Y_max)
			{
				OldNestPop[i].y = Y_max;
			}
			else if (OldNestPop[i].y + step_sizeY < Y_min)
			{
				OldNestPop[i].y = Y_min;
			}
			else
			{
				OldNestPop[i].y += step_sizeY;
			}


			fitFunc(OldNestPop[i]);
		}
	}

	return OldNestPop;
}

算法改进

参考资料：
1.http://blog.sina.com.cn/s/blog_17470b8bb0102xjvg.html
2.https://blog.csdn.net/sj2050/article/details/98496868

weixin_44583228
关注
  • 5
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
布谷鸟算法的改进及其应用研究
12-08
主要讲述关于布谷鸟算法的主要算法思路和改进方法，以及布谷鸟算法的应用
2020-11-23
weixin_45032769的博客
11-23 404
https://blog.csdn.net/guofei_fly/article/details/104136008?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-2.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-2.control
智能优化算法学习第一期：布谷鸟搜索算法（CS）【附MATLAB代码】
最新发布
k16140309的博客
05-16 484
Lévy 飞行生成随机数应包括两个步骤：随机方向的选择和服从 Lévy 分布的步长的生成。求解得到x1,x2是：3.1416 2.275。最优解：0.39789。主程序 main.m。
布谷鸟搜索算法
weixin_43736639的博客
02-28 9144
布谷鸟搜索（Cuckoo Search，缩写 CS），也叫杜鹃搜索，是由剑桥大学杨新社（音译自：Xin-She Yang）教授和S.戴布（S.Deb）于2009年提出的一种新兴启发算法。 1.定义 CS算法是通过模拟某些种属布谷鸟的寄生育雏（BroodParasitism），来有效地求解最优化问题的算法。同时，CS也采用相关的Levy飞行搜索机制。 2.算法 （1）使用布谷鸟搜索算法的三个理想规则 a.每只布谷鸟一次只下一个蛋，然后把蛋放进随机选择的...
求解函数优化问题的改进布谷鸟搜索算法
心升明月的博客
06-28 2177
文章目录一、理论基础1、基本布谷鸟算法2、改进的布谷鸟算法(DWCS)（1）非线性惯性权重对数递减策略（2）随机调整的发现概率策略（3）DWCS算法的流程二、仿真实验与分析三、参考文献四、Matlab仿真程序 一、理论基础 1、基本布谷鸟算法 请参考这里。 2、改进的布谷鸟算法(DWCS) （1）非线性惯性权重对数递减策略 动态变化惯性权重主要有以下几类。以下公式中，ttt为当前迭代次数，MaxNumberMaxNumberMaxNumber为最大迭代数，αmax⁡\alpha_{\max}αmax​和αm
基于粒子群优化的BP神经网络（分类应用） - 附代码
Jack旭的博客
11-01 2587
本案例利用matlab公用的iris鸢尾花数据，作为测试数据，iris数据是特征为4维，类别为3个类别。特征1特征2特征3类别单组iris数据5.32.11.213种类别用1，2，3表示。
布谷鸟算法matlab代码
01-08
布谷鸟算法matlab代码
布谷鸟算法Java实现源码
03-10
在Java编程语言中实现布谷鸟算法，能够利用其跨平台的优势，使得算法应用更加广泛。下面我们将深入探讨布谷鸟算法的原理、Java实现的关键点以及如何根据实际需求进行调整。 布谷鸟算法的核心概念是模拟布谷鸟寻找...
布谷鸟算法实现matlab
11-26
在MATLAB环境中实现布谷鸟算法，能够利用其强大的数值计算和图形化界面功能，为科学研究和工程应用提供便利。 MATLAB是一种广泛使用的数学计算软件，它提供了丰富的数学函数库和编程环境，适合进行数值计算、符号...
CS_algorithm -_布谷鸟算法_莱维飞行_
10-02
经典布谷鸟算法（包括莱维飞行），可直接运行，很好的资源
布谷鸟算法浅谈与简单应用
落花水面
10-12 5179
简介 布谷鸟算法是由剑桥大学Xin-She Yang教授和S.Deb于2009年提出的一种新兴的启发算法，是一种通过模拟自然界当中布谷鸟（也就是杜鹃，故该算法也称为杜鹃算法）在繁育后代的行为而提出的一种搜索算法。 本文章将以在工程实践当中的生产车间调度问题为例，对该算法进行一个简单介绍，并给出基于JAVA语言的实现。 原型及流程 布谷鸟算法实际上来源于自然界当中布谷鸟繁育后代的行为。 自然界当中布谷鸟布谷鸟在繁育下一代当中无固定配偶固定配偶，也不自己营巢和孵卵，而是将卵产于大苇莺、麻雀、灰喜鹊、伯劳、棕头
levy飞行_levy飞行matlab_levy飞行_Mantegna方法_levy
09-10
本次上传的matlab代码，是基于Mantegna方法模拟萊维飞行，生成levy飞行图；总的飞行次数参数可根据需要更改。
布谷鸟搜索算法学习
laexl123的博客
06-12 9006
布谷鸟搜索算法是一种结合了布谷鸟巢寄生性和莱维飞行模式的元启发式群体智能搜索技术，本文对布谷鸟搜索算法的原理和算法流程进行简单的论述，将布谷鸟搜索算法与遗传算法、蚁群算法、粒子群算法、蜂群算法做对比，分析其优缺点，并在tensorflow框架下对该算法进行实验仿真，验证其有效性和准确性。
布谷鸟算法详细讲解
诗筱涵的博客
04-04 3304
转载自：https://blog.csdn.net/u013631121/article/details/76944879 布谷鸟算法详细讲解 牟天蔚 2017-08-08 22:35:54 29467 收藏 99 分类专栏： 数学模型 文章标签： 优化算法 布谷鸟算法 版权 今天我要讲的内容是布谷鸟算法，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 ，
机器学习之布谷鸟搜索算法（Cuckoo Search Algorithm，CSA）剖析 附案例代码
JustinMars的博客
12-06 1387
布谷鸟搜索算法（Cuckoo Search Algorithm，CSA）是一种模拟自然界中布谷鸟的觅食行为而设计的优化算法，由中国学者杨小庆等人于2009年提出。该算法的灵感来源于布谷鸟的巢穴寄生策略，其中布谷鸟会选择一个巢穴，如果该巢穴较好，它就会将自己的蛋放入其中，否则它会寻找更好的巢穴。这一过程有助于保持巢穴的质量。
智能优化算法学习笔记（5）----布谷鸟搜索算法（CS）
KKAI_C
07-19 2319
布谷鸟搜索算法的详细介绍
智能优化算法——布谷鸟搜索算法原理（附代码）
hser-chen的博客
02-22 1万+
目录 基本概念 算法具体流程 算法流程图 测试函数 优化结果 C++代码 基本概念 布谷鸟搜索算法（Cuckoo Search，缩写 CS）是由剑桥大学杨新社教授和S.戴布于2009年提出的一种新兴启发算法。根据昆虫学家的长期观察研究发现，一部分布谷鸟以寄生的方式养育幼鸟，它们不筑巢，而是将自己的卵产在其他鸟的巢中（通常为黄莺、云雀等），由其他鸟(义亲)代...
布谷鸟算法
weixin_45492636的博客
10-28 3097
布谷鸟算法是将布谷鸟育雏行为与Levy飞行算法相结合的一种算法。 在布谷鸟算法中，有两个算法或者说两个位置更新是关键： 第一个是布谷鸟寻找最优解时的算法： 一个是布谷鸟寻找鸟窝下蛋的寻找路径是采用早已就有的萊维飞行3，如上图所示，无敌的走位是一种长步长与短步长相间的走位，这其实就是萊维飞行的主要特点，学者们也证实了自然界中很多鸟类的飞行也遵从萊维飞行，这也是最有效寻找目标的方法之一 。所以采用萊维飞行更新鸟窝位置的公式被定义如下： 其中 , α是步长缩放因子，Levy(...
布谷鸟算法（Cuckoo Search，CS）MATLAB案例详细解析
热门推荐
BetterBench的博客
07-11 1万+
一、布谷鸟算法理论 模拟退火算法（SA）、遗传算法（GA）、布谷鸟算法（CS）、人工蜂群算法（ABC）学习笔记—附MATLAB注释代码 二、CS算法应用于函数优化 1.流程图 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-o0vd8YkJ-1594452140255)(/home/mgege007/Study/CS/Img/算法流程图.jpg)] 3.代码解析 3.1 主函数 Csmain.m % Script 布谷鸟算法，求解函数最小值 % @author zhaoyuqi
布谷鸟算法python
10-01
布谷鸟算法是一种最优化算法，其灵感源自于布谷鸟的繁殖行为。该算法的基本思想是，在可行域内随机生成一组初始解（布谷鸟），通过计算这些解的适应值（鸟的健康程度），并记录下最好适应值和对应的解。然后，通过某种方式更新这些解的位置，模拟布谷鸟寻找其他鸟巢下蛋的行为。新生成的解称为布谷鸟蛋，有一定几率被抛弃，这时布谷鸟需要找新的位置下新的布谷鸟蛋。成功孵化的布谷鸟蛋会取代原有的解，并进行下一轮迭代。迭代过程中，不断评估新生成解的适应值，并更新最好适应值和对应的解。最终，迭代次数或达到精度要求时停止迭代，得到最优解。 对于使用Python实现布谷鸟算法，可以参考以下链接提供的示例代码： https://blog.csdn.net/sj2050/article/details/98496868 希望这个回答能帮助你了解布谷鸟算法的基本思想和Python实现。如果你有其他相关问题，请继续提问。 相关问题: 1. 布谷鸟算法适用于哪些类型的问题？ 2. 布谷鸟算法的优势和局限性是什么？ 3. 布谷鸟算法与其他优化算法相比有何不同之处？

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值