發(fā)布時(shí)間：2021-06-10 10:59

　　針對(duì)布谷鳥(niǎo)搜索算法在求解旅行商問(wèn)題時(shí),存在初期信息缺乏嚴(yán)重和收斂速度慢等問(wèn)題,提出一種交互式學(xué)習(xí)的布谷鳥(niǎo)搜索算法（Interactive Learning Cuckoo Search Algorithm,ILCSA）。為提高布谷鳥(niǎo)搜索算法的搜索效率,結(jié)合蟻群優(yōu)化算法構(gòu)建雙層交互學(xué)習(xí)模型,將蟻群作為底層種群,布谷鳥(niǎo)作為高層種群,雙種群互相學(xué)習(xí),合作尋優(yōu),提高搜索速度;此外,在布谷鳥(niǎo)搜索算法中引入強(qiáng)化學(xué)習(xí)策略,自適應(yīng)更新步長(zhǎng),并對(duì)發(fā)現(xiàn)概率進(jìn)行動(dòng)態(tài)調(diào)整,深度優(yōu)化最優(yōu)解,進(jìn)一步提高解的質(zhì)量。最后采用多組不同規(guī)模的標(biāo)準(zhǔn)TSPLIB算例與其他優(yōu)化算法進(jìn)行對(duì)比,結(jié)果表明ILCSA算法在求解精度和穩(wěn)定性方面表現(xiàn)更優(yōu)。 

【文章來(lái)源】：計(jì)算機(jī)工程與應(yīng)用. 2020,56(07)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

圖1 雙層交互學(xué)習(xí)模型

多樣性對(duì)比圖

從收斂速度分析，將ILCSA找到最優(yōu)解所需迭代次數(shù)進(jìn)行統(tǒng)計(jì)，并與其他兩種算法進(jìn)行比較，結(jié)果如圖3所示。從圖3分析可知，3種算法在相同算例中，ILCSA找到最優(yōu)解所需迭代次數(shù)最少，以ch130算例為例，ILCSA找到最優(yōu)解所需迭代次數(shù)為158,CS和ACS分別需要643次和1 553次，是ILCSA的4倍和10倍，與ILCSA相比收斂速度較慢。當(dāng)城市數(shù)量增加時(shí)，ILCSA迭代次數(shù)有所增長(zhǎng)，但增長(zhǎng)趨勢(shì)較為平緩，表明ILCSA在求解不同規(guī)模的TSP算例時(shí)，具有穩(wěn)定性。綜上所述，從解的多樣性和收斂速度兩方面比較，ILCSA能夠探尋較大的解空間，全局尋優(yōu)能力較強(qiáng)，且收斂到最優(yōu)解的速度較快，比經(jīng)典智能優(yōu)化算法更具有優(yōu)勢(shì)。4.2.2 ILCSA與混合優(yōu)化算法的比較

【參考文獻(xiàn)】：
期刊論文
[1]布谷鳥(niǎo)搜索算法綜述[J]. 張曉鳳,王秀英.  計(jì)算機(jī)工程與應(yīng)用. 2018(18)
[2]自適應(yīng)動(dòng)態(tài)鄰域布谷鳥(niǎo)混合算法求解TSP問(wèn)題[J]. 陳雷,張紅梅,張向利.  計(jì)算機(jī)工程與應(yīng)用. 2018(23)
[3]基于改進(jìn)蟻群算法的機(jī)器人路徑規(guī)劃問(wèn)題研究[J]. 朱艷,游曉明,劉升,袁汪凰.  計(jì)算機(jī)工程與應(yīng)用. 2018(19)
[4]螢火蟲(chóng)優(yōu)化和隨機(jī)森林的WSN異常數(shù)據(jù)檢測(cè)[J]. 許歐陽(yáng),李光輝.  計(jì)算機(jī)科學(xué)與探索. 2018(10)
[5]基于蟻群粒子群優(yōu)化算法的云計(jì)算資源調(diào)度方案[J]. 薩日娜.  吉林大學(xué)學(xué)報(bào)(理學(xué)版). 2017(06)
[6]自適應(yīng)步長(zhǎng)布谷鳥(niǎo)搜索算法[J]. 李榮雨,戴睿聞.  計(jì)算機(jī)科學(xué). 2017(05)
[7]基于健康度的自適應(yīng)過(guò)濾粒子群算法[J]. 袁羅,葛洪偉,姜道銀.  計(jì)算機(jī)科學(xué)與探索. 2018(02)
[8]具有記憶性的自適應(yīng)布谷鳥(niǎo)搜索算法[J]. 秦嶺,戴睿聞.  微電子學(xué)與計(jì)算機(jī). 2017(03)
[9]具有動(dòng)態(tài)慣性權(quán)重的布谷鳥(niǎo)搜索算法[J]. 周歡,李煜.  智能系統(tǒng)學(xué)報(bào). 2015(04)



本文編號(hào)：3222251