用python编写算法程序_python 实现布谷鸟算法（CS）

在网上搜索没有发现比较完整用Python写的CS算法，只能自己动手编写一个。

CS算法注意事项：

1.执行流程是，初始化 -> levy飞行变换巢穴位置 -> 与之前的巢穴对比保留好的巢穴 -> 按照发现概率值丢弃部分巢穴重新生成 ->

-> 再与之前的巢穴对比保留好的巢穴 ->判断循环是否结束 ->  …………

2.levy飞行步长的计算通常是使用Mantegna方法模拟二维平面莱维飞行

3.迭代公式中大量涉及随机数，需要注意的是一部分是服从均匀分布，还有部分是服从正态分布

4.编写可以参照yang的matlab代码源代码(参考的链接中包含源代码)

Python代码如下：

公式就不写了，可以参考链接。

from random import uniform

from random import randint

import math

import numpy as np

import matplotlib.pyplot as plt

'''

根据levy飞行计算新的巢穴位置

'''

def GetNewNestViaLevy(Xt,Xbest,Lb,Ub,lamuda):

beta = 1.5

sigma_u = (math.gamma(1 + beta) * math.sin(math.pi * beta / 2) / (

math.gamma((1 + beta) / 2) * beta * (2 ** ((beta - 1) / 2)))) ** (1 / beta)

sigma_v = 1

for i in range(Xt.shape[0]):

s = Xt[i,:]

u = np.random.normal(0, sigma_u, 1)

v = np.random.normal(0, sigma_v, 1)

Ls = u / ((abs(v)) ** (1 / beta))

stepsize = lamuda*Ls*(s-Xbest) #lamuda的设置关系到点的活力程度 方向是由最佳位置确定的 有点类似PSO算法 但是步长不一样

s = s + stepsize * np.random.randn(1, len(s)) #产生满足正态分布的序列

Xt[i, :] = s

Xt[i,:] = simplebounds(s,Lb,Ub)

return Xt

'''

按pa抛弃部分巢穴

'''

def empty_nests(nest,Lb,Ub,pa):

n = nest.shape[0]

nest1 = nest.copy()

nest2 = nest.copy()

rand_m =pa - np.random.rand(n,nest.shape[1])

rand_m = np.heaviside(rand_m,0)

np.random.shuffle(nest1)

np.random.shuffle(nest2)

# stepsize = np.random.rand(1,1) * (nest1 - nest)

stepsize = np.random.rand(1,1) * (nest1 - nest2)

new_nest = nest + stepsize * rand_m

nest = simplebounds(new_nest,Lb,Ub)

return nest

'''

获得当前最优解

'''

def get_best_nest(nest, newnest,Nbest,nest_best):

fitall = 0

for i in range (nest.shape[0]):

temp1 = fitness(nest[i,:])

temp2 = fitness(newnest[i,:])

if temp1 > temp2:

nest[i, :] = newnest[i,:]

if temp2 < Nbest :

Nbest = temp1

nest_best = nest[i,:]

fitall = fitall + temp2

else:

fitall = fitall + temp1

meanfit = fitall/nest.shape[0]

return nest , Nbest , nest_best ,meanfit

'''

进行适应度计算

'''

def fitness(nest_n):

X = nest_n[0]

Y = nest_n[1]

# Ackley函数

Z = -20 * np.exp(-0.2 * np.sqrt(0.5 * (X ** 2 + Y ** 2))) - \

np.exp(0.5 * (np.cos(2 * np.pi * X) + np.cos(2 * np.pi * Y))) + np.e + 20

return Z

'''

进行全部适应度计算

'''

def fit_function(X,Y):

# rastrigin函数

A = 10

Z = 2 * A + X ** 2 - A * np.cos(2 * np.pi * X) + Y ** 2 - A * np.cos(2 * np.pi * Y)

return Z

'''

约束迭代结果

'''

def simplebounds(s,Lb,Ub):

for i in range(s.shape[0]):

for j in range(s.shape[1]):

if s[i][j] < Lb[j]:

s[i][j] = Lb[j]

if s[i][j] > Ub[j]:

s[i][j] = Ub[j]

return s

def Get_CS(lamuda = 1,pa =0.25):

Lb=[-5,-5] #下界

Ub=[5,5] #上界

population_size = 20

dim = 2

nest= np.random.uniform(Lb[0], Ub[0],(population_size,dim)) # 初始化位置

nest_best = nest[0,:]

Nbest =fitness(nest_best)

nest ,Nbest, nest_best ,fitmean = get_best_nest(nest,nest,Nbest,nest_best)

for i in range (30):

nest_c = nest.copy()

newnest = GetNewNestViaLevy(nest_c, nest_best, Lb, Ub,lamuda) # 根据莱维飞行产生新的位置

nest,Nbest, nest_best ,fitmean = get_best_nest(nest, newnest,Nbest, nest_best) # 判断新的位置优劣进行替换

nest_e = nest.copy()

newnest = empty_nests(nest_e,Lb,Ub,pa) #丢弃部分巢穴

nest,Nbest, nest_best ,fitmean = get_best_nest(nest,newnest, Nbest, nest_best) # 再次判断新的位置优劣进行替换

print("最优解的适应度函数值",Nbest)

return Nbest

Get_CS()

代码如果需要使用的话，建议仔细检查，虽然我检查没有发现问题。有不对的地方欢迎指正。

参考：

文献：动态适应布谷鸟搜索算法  《控制与策略》 2014年