CS算法优化（1）

RecursiveFrog

一.''Improved cuckoo search for reliability optimization problems(2012)''
    这篇文章通过一些复杂工程优化问题验证CS算法性能。先介绍了CS基本思想和Levy飞行，再介绍对CS算法的改进（ Improved cuckoo search    ICS）：
如果Pa的值小，α的值大，算法的性能和迭代次数会增加。如果Pa的值大，α的值小，收敛速度快，但是可能不是最优解。ICS 与 CS 主要区别是对Pa和α的调整，原CS算法中这两个参数是固定给出的，但是在改进的ICS算法中这两个参数是动态变化的。开始迭代时，Pa和α的值应该大一点，保持解向量的多样性；在之后的迭代中这两个参数值再减小，以便更好地微调解向量。Pa和α的动态变化公式：


NI是指总迭代次数，gn是指当前迭代次数。
最后，应用于工程实例问题并与其他智能算法(GA遗传算法,ABC人工蜂群算法,HS和声搜索算法,NGHS改进和声搜索算法)作比较得出结论：改进后的ICS算法性能更优。
二.''全局最优导向模糊布谷鸟搜索算法及应用（2016）''

这篇文章主要是对标准布谷鸟(cuckoo search)算法，探索能力强、开发能力弱、收敛速度慢、计算精度差等问题，进行了主要参数（Pa：外来鸟蛋被发现概率、α：Levy飞行步长）优化，从而得到更好的性能。标准的CS算法中，鸟窝位置更新公式只是对被淘汰的鸟窝进行更新，而暂时被保留的鸟窝不进行任何处理，这是其开发能力弱的原因。本文在位置更新公式中引入了最优导向策略，同时对保留下来的具有较好适应性的鸟窝朝当前最优鸟窝位置迭代更新。既保证了鸟窝的多样性，也提高了CS算法的收敛速度和开发能力。
标准CS位置更新公式：




    其中， \alpha 为步长控制量， \alpha0 为常数， x_{j}与x_{g}通过式(1)得到的第K+1代两个随机解
FGCS（Global-best guided Cuckoo Search全局最优导向鸟窝位置更新公式）：




    式(3)相较于式(2)增加了第三项(全局最优鸟窝引导搜索项)，提高了收敛速度，而且没有增加算法复杂度。在全局搜索项中是根据黄金分割比例朝向全局最优解产生新解，由黄金比例系数所产生的新解要明显优于在[0,1]产生随机数得到的新解。
CS算法中参数的模糊调整策略：
    以鸟窝位置之间的分散性和迭代次数作为模糊系统的输入变量，将Pa和α0作为输出变量。输入变量鸟窝之间的分散性为：


便于计算，进行归一化处理，将迭代次数和分散性的值转化到[0,1]之间：


这篇文章中Pa在[0.1，0.5]之间，α0在[0.005，0.020]之间。另外还提到了蒙特卡罗法计算极限状态方程的精确解。