布穀鳥演算法在機械

『壹』 有人用MATLAB研究布穀鳥搜索演算法嗎

這個簡單，寫成目標函數，初始化參數粒子，利用粒子群優化即可。
黃金比例搜索演算法 / Golden Ratio Search Algorithm 可以用在Powell演算法中的一個步驟——一維極值搜索中。由於我寫了一篇Powell演算法實現的文章（一部分，尚未完成），所以在此詳述golden ratio search的實現。
要使用golden ration search來對函數f(x)進行極值搜索，函數f(x)需要在某一區間內滿足單峰（unimodal）條件。那麼什麼是單峰呢？
如果函數f(x)在區間 I = [a,b]上，存在一個點p∈I，並且：
（1） f(x)在[a,p]內是單減的
（2） f(x)在[p,b]內是單增的
那麼就稱函數f(x)在區間 I 上是單峰的。
轉載請註明出處：http://www.codelast.com/
在這種情況下，就具備使用該演算法的條件了。

『貳』 求大神解惑 布穀鳥演算法中fobj函數中的公式什麼意思

目標：求x在[0,1]之內的函數y=(x-0.5)^2+1最小值

（1）初始化x的位置，隨機生成4個x坐標，x1=0.4，x2=0.6，x3=0.8，x4=0.3 ——> X=[0.4, 0.6 ,0.8, 0.3]

（2）求出y1~y4，把x1~x4帶入函數，求得Y=[1,31, 1.46, 1.69, 1.265]，並選取當前最小值ymin= y4=1.265

（3）開始定出一個y的最大值為Y_global=INF（無窮大），然後與ymin比較，把Y中最小的位置和值保留，例如Y_global=INF>ymin=1.265，所以令Y_global=1.265

（4）記錄Y_global的位置，（0.3，1.265）。

（5）按概率0.25，隨機地把X中的值過塞子，選出被發現的蛋。例如第二個蛋被發現x2=0.6，那麼他就要隨機地變換位子，生成一個隨機數，例如0.02，然後把x2=x2+0.02=0.62，之後求出y2=1.4794。那麼X就變為了X=[0.4, 0.62 ,0.8, 0.3]，Y=[1,31, 1.4794, 1.69, 1.265]。

（6）進行萊維飛行，這名字聽起來挺高大上，說白了，就是把X的位置給隨機地改變了。怎麼變？有一個公式x=x+alpha*L。

『叄』 布穀鳥搜索演算法中種群維度指的是什麼

布穀鳥搜索演算法中種群維度指的是一種演算法。布穀鳥搜索演算法，是由劍橋大學在文獻中提出的一種群智能優化演算法，它也是一種新型元啟發式搜索演算法。其思想主要基於兩個策略：布穀鳥的巢寄生性和萊維飛行機制。通過隨機遊走的方式搜索得到一個最優的鳥窩來孵化自己的鳥蛋，這種方式可以達到一種高效的尋優模式。

『肆』 粒子群演算法和布穀鳥演算法那個優化結果更好

布穀鳥演算法。
1、基於混沌動態步長的群體動畫行為控製法研究中，相比之下，布穀鳥演算法比遺傳演算法、粒子群演算法更為簡便，問題優化更好。
2、布穀鳥融合演算法比粒子群具有更好的全局尋優特性，具有更好的動態。

『伍』 布穀鳥演算法算人工智慧嗎

布穀鳥搜索算猛穗法，是 由劍 橋 大 學YANG等在文獻 中提出的一種群智能優化算吵模法，它也是枝碰卜一種新型元啟發式搜索演算法

『陸』 粒子群演算法和布穀鳥演算法哪個好

粒子群演算法和布穀鳥演算法相比布穀鳥演算法好。因為布穀鳥演算法適合沒有同樣高度峰值點的函數搜索，粒子群演算法適合低維度，圖像簡單的函數搜索。

『柒』 元啟發式演算法和啟發式演算法有什麼區別

啟發式演算法與元啟發式演算法對區別在於是否存在「隨機因素」。 對一個同樣的問題，啟發式演算法（heuristics）只要給定了一個輸入，那麼演算法執行的步驟就固定下來了，輸出也因此固定，多次運算結果保持一致。

而元啟發式演算法（meta－heuristics）裡麵包括了隨機因素，如GA中的交叉因子，模擬退火中的metropolis准則，這些隨機因素也使得演算法有一定概率跳出局部最優解而去嘗試全局最優解，因此元啟發式演算法在固定的輸入下，而輸出是不固定的。

啟發式演算法(Heuristic Algorigthm)是一種基於直觀或經驗構造的演算法,在可接受的花費(指計算時間、計算空間等)給出待解決優化問題的每一實例的一個可行解，該可行解與與最優解的偏離程度一般不可以事先預計。

啟發式演算法是一種技術,這種演算法可以在可接受的計算費用內找到最好的解,但不一定能保證所得到解的可行性及最優性，甚至大多數情況下無法闡述所得解與最優解之間的近似程度。

元啟發式演算法（MetaHeuristic Algorigthm）是啟發式演算法的改進，它是隨機演算法與局部搜索演算法相結合的產物，常見的啟發式演算法包括遺傳演算法、模擬退火演算法、禁忌搜索演算法及神經網路演算法等。

新興的元啟發式演算法有、粒子群優化演算法、差分進化演算法，蟻群優化演算法、螢火蟲演算法、布穀鳥演算法、和聲搜索演算法、差分進化演算法、隨機蛙跳演算法、細菌覓食演算法、蝙蝠演算法的演算法等。

『捌』 布穀鳥演算法和共軛梯度法那個好

布穀鳥演算法和共軛梯度法都是求解優化問題的演算法，但是它們的思路和應用場景有所不同。
布穀鳥演算法是一種群體智能演算法，模擬了鳥群覓食的過程，通過不斷調整個體的位置和速度來尋找最優解。它適用於求解非線性、多峰和高維度的優化問題。該演算法具有全局收斂性和較快的收斂速度，但是其參顫敬數的設定和搜索空間的劃分旅洞歲需要較高的技巧性。
共軛梯度法是一種基於梯度下降的優化演算法，特別適用於求解大規模線性方程組的解。它利用梯度方向的共軛性來加速搜索過程，每次迭代只需要計算一次梯度，而不是像梯度下降法那樣需要計算多次。該演算法具有快速收斂和較低的計算復雜度，但是對於非線性問題的求解效果可能不如其他演算法。
因此，在選擇演算法時需要根據具體問題的性質和要求來進行綜合考慮，選拆睜擇最適合的演算法。

『玖』 聊聊Grin挖礦相關的那些秘密

    作為一名還算比較資深的顯卡礦工，一直對顯卡幣比較關注，一些有前景的小幣種在剛上線的初期，用顯卡挖礦往往會有不錯的收益。當然我挖的最多，賺的最多的還是以太。Grin作為19年以來最熱的幣種，從剛上線開始，我就配置了不少6G顯存的機器參與了Grin的挖礦。從早期的星火、魚池以及最近剛上線Grin的btc.com都有關注，最近一段時間Grin幣價承壓，收益溢價相對於以太越來越少，也就比較關注各礦池的費率、收益、拒絕率等情況。

    最近發現一個問題，各家礦數洞池標注的理論收益有比較大的出入，有些甚至相差百分之十幾。下圖是相同時刻，不同礦池的Grin挖礦理論收益：

       可以看到，不同礦池間，理論挖礦收益相差在10%以上。當時剛虛前看到這個的時候嚇一跳，一天影響我不少收益，於是順手配置了一些機器做了個測試。

       機器數量有限，而且btc.com目前算力較小，只對比grin算力佔比最大的兩家礦池，魚池（以下簡稱F礦池）和星火礦池（以下簡稱S礦池）。下邊是測試結果，僅供參考：

    上表是取了相同配置的兩組106-100 6G 6卡礦機，各10台，分別在F礦池和S礦池挖 Grin 29，挖了66小時的收益情況。

    雖然當時F礦池的日理論收益 0.029566 G/grin，低於S礦池的日理論收益 0.032182 G/grin，相差近10%， 但是總的挖礦收益 F礦池 13.885273 Grin跟S礦池 13.50168 Grin相差並不多。 （grin日理論收益有波動，通過日理論收益和算力計算出來的理論挖礦收益跟實際收益有差別）

    最近一天的挖礦收益，相差也不大：

​

​

    那既然實際到手的收益沒問題，日理論收益為什麼會有這么大的差距。

    另外，發現我薯譽枯的機器在不同礦池後台顯示的算力也相差較大。理論收益低的礦池相對的算力都會比較高。

​

​

    針對這個問題，我也咨詢了礦池技術，回復大致是這樣： Grin 挖礦採用的是布穀鳥演算法（Cuckoo），這個演算法有個特點，礦機先在本地經過多次hash運算，然後向礦池提交一次graph。礦機按照hash運算的次數來展示本地算力，而礦池按照提交的graph來評估礦機的算力。如果礦機每秒進行50次hash運算，提交一次graph，那麼礦機本地的算力是50h/s，而礦池得到的算力是1h/s。

     為了盡量使礦池顯示的算力跟礦機本地一致，礦池將接收到的算力乘以一個系數。每個礦池的這個系數不同，導致相同的礦機在各個礦池的算力不同，也使得單位算力在不同礦池的日理論收益有差異。

『拾』 常見的群體智能演算法不包括

有一些並不是廣泛應用的群體智能演算法，比如螢火蟲演算法、布穀鳥演算法、蝙蝠演算法以及磷蝦群演算法等等。

粒子群演算法（particle swarm optimization，PSO）是計算智能領域中的一種生物啟發式方法，屬於群體智能優化演算法的一種，常見的群體智能優化演算法主要有如下幾類：

設想這樣一個場景：一群鳥在隨機的搜索食物。在這個區域里只有一塊食物，所有的鳥都不知道食物在哪。但是它們知道自己當前的位置距離食物還有多遠。那麼找到食物的最優策略是什麼？最簡單有效的就是搜尋目前離食物最近的鳥的周圍區域。

Step1:確定一個粒子的運動狀態是利用位置和速度兩個參數描述的，因此初始化的也是這兩個參數；

Step2:每次搜尋的結果（函數值）即為粒子適應度，然後記錄每個粒子的個體歷史最優位置和群體的歷史最優位置；

Step3:個體歷史最優位置和群體的歷史最優位置相當於產生了兩個力，結合粒子本身的慣性共同影響粒子的運動狀態，由此來更新粒子的位置和速度。

位置和速度的初始化即在位置和速度限制內隨機生成一個N x d 的矩陣，而對於速度則不用考慮約束，一般直接在0~1內隨機生成一個50x1的數據矩陣。

此處的位置約束也可以理解為位置限制，而速度限制是保證粒子步長不超限制的，一般設置速度限制為[-1,1]。

粒子群的另一個特點就是記錄每個個體的歷史最優和種群的歷史最優，因此而二者對應的最優位置和最優值也需要初始化。其中每個個體的歷史最優位置可以先初始化為當前位置,而種群的歷史最優位置則可初始化為原點。對於最優搜哪汪值，如果求最大值則初始化為負無窮，相反地初始化為正無窮。

每次搜尋都需要將當前的適應度和最優解同歷史的記錄值進行對比，如果超過歷史最優值，則更新個體和種群的歷史最優位置和最優解。

速度和位置更新是粒子群演算法的核心，其原理表達式和更新方式：

每次更新完速度和位置都需要考慮速度和位置的限制，需要將其限制在規定范圍內，此處僅舉出一個常規方法，即將超約束的數據約束到邊界緩山（當位置或者速度超出初始化限制時，將其拉回靠近的邊界處）。當然，你不用擔心他會停住不動，因為每個粒子還有慣性和其他兩個參數的影響。

粒子群演算法求平方和函數最小值，由於沒有特意指定函數自變數量綱，不進行數據歸一化。