基于优化问题的多目标布谷鸟搜索算法毕业论文(编辑修改稿)

基于优化问题的多目标布谷鸟搜索算法毕业论文(编辑修改稿)内容摘要：

的反常积分为： dkkkssL ])||e x p [ ()c o s (1)(0   （ 7） 此式只有当 s最大时才可以被估计，即有：  sssL ,|| )2s in ()()( 1   （ 8） 这里的 )(z 是一个伽马函数 dtetz tz  10)( （ 9） 当其中的 z=n ,为整数时，我们有 )!1()(  nn 当图 2表明他们在 100步之内的飞行路线时，图 1则表 示他们飞行 100个步长所遵循的 levy 分布图。 这一情况指出 levy 飞行比布朗随机游动在发现事物方面的能力要有效的多，以内其有着较大的搜索范围。 对于他的有效性，又很多原因可以作为解释，其中一种是由于 levy 的方差比布朗运动的线性关系有着更快的增长率。 ,21,~)( 32   tt （ 10） 多布标布谷鸟搜索算法 在最初由杨新社教授和 Deb 教授提出的单一目标的布谷鸟优化算法中使用了三条基 本的准则： （ 1） 每一只布谷鸟一次只产一个蛋，然后会将你这一只蛋丢到随机选择的一个巢穴中。 （ 2） 在一个最佳的巢中，有着质量最优的蛋，这会使下一代更好的繁殖下去。 （ 3） 可供选择的寄主巢穴的数量是有限的，而且寄主也会发现异种蛋，这样的几率为 ]1,0[ap ，也会扔掉这些异种的蛋，或者直接丢弃自己原本的巢穴而去建一个新的巢。 对于 k个不同目标的多目标优化问题，我们可以将以上规则做以修改，使得此规则可以同时用于多目标的需要。 （ 1） 每一个布谷鸟一次只产一个蛋，然后将这 些蛋放入随机选择的巢中，第 k个蛋代表第 k个目标。 （ 2） 每一个巢中的蛋都会以 ap 的几率被遗弃，同样一个有 k 个蛋的巢也会根据蛋的相似性和区别以 ap 的几率被重建。 有时，随机的混合也会用于其中。 简单的说，这个最后的假设可以近似的看成一个分数 ap ，而且这 n个巢也会被新的巢所取代，对于 目标的最大化，一个解决方法的适应性和可行性可以简单地归结为一些目标函数的求解问题，而且不受限制的方法也应该被广泛的发现。 用数学的语言来说，第一条规则可以修改为一个随机过程，这样的话，一个新的算法策略就可以随机的由随机游走或者 levy飞行来总结得出。 同时，有局限性的数字序列可以由算法决定，也可以想象为一个交叉的过程，对于每一个巢，可以有 k 种如（ 11）式的解决方法，本质上说，第二条规则则可以被修改为精英策略，这样最佳的解决策略就可以用于下一代中，而且，这样的选择也可以帮助我们确认此算法过程的正确性。 除此之外， 第三条规则可以被类似的考虑为变异，这样最差的解决方法就可以以一定几率被丢弃，新的解决策略就可以根据解决策略之间的相似性被我们发现。 这样也就可以将 levy 飞行与不同结果的解决策略相结合，从而使得这样的变异变得向量化。 这种独特的结合过程可以很好的确认算法的有效性。 基于这三种规则，多目标布谷鸟搜索算法的基本步骤可以总结为如表 3的一系列伪代码， 当我们发现新的 )1(tx 可以用于解决策略时，用 i表示布谷鸟，那么一个 levy飞行就可以 用以下式子来表示 )()()1(  le v yxx titi  （ 11） 此时 0 是一个步长，在大多数情况下，我们可以使用)1(。 为了使不同的解决策略可以有很好的适应性，我们也可以使用如下式子：。