布谷鸟算法在机械

‘壹’ 有人用MATLAB研究布谷鸟搜索算法吗

这个简单，写成目标函数，初始化参数粒子，利用粒子群优化即可。
黄金比例搜索算法 / Golden Ratio Search Algorithm 可以用在Powell算法中的一个步骤——一维极值搜索中。由于我写了一篇Powell算法实现的文章（一部分，尚未完成），所以在此详述golden ratio search的实现。
要使用golden ration search来对函数f(x)进行极值搜索，函数f(x)需要在某一区间内满足单峰（unimodal）条件。那么什么是单峰呢？
如果函数f(x)在区间 I = [a,b]上，存在一个点p∈I，并且：
（1） f(x)在[a,p]内是单减的
（2） f(x)在[p,b]内是单增的
那么就称函数f(x)在区间 I 上是单峰的。
转载请注明出处：http://www.codelast.com/
在这种情况下，就具备使用该算法的条件了。

‘贰’ 求大神解惑 布谷鸟算法中fobj函数中的公式什么意思

目标：求x在[0,1]之内的函数y=(x-0.5)^2+1最小值

（1）初始化x的位置，随机生成4个x坐标，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带入函数，求得Y=[1,31, 1.46, 1.69, 1.265]，并选取当前最小值ymin= y4=1.265

（3）开始定出一个y的最大值为Y_global=INF（无穷大），然后与ymin比较，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）记录Y_global的位置，（0.3，1.265）。

（5）按概率0.25，随机地把X中的值过塞子，选出被发现的蛋。例如第二个蛋被发现x2=0.6，那么他就要随机地变换位子，生成一个随机数，例如0.02，然后把x2=x2+0.02=0.62，之后求出y2=1.4794。那么X就变为了X=[0.4, 0.62 ,0.8, 0.3]，Y=[1,31, 1.4794, 1.69, 1.265]。

（6）进行莱维飞行，这名字听起来挺高大上，说白了，就是把X的位置给随机地改变了。怎么变？有一个公式x=x+alpha*L。

‘叁’ 布谷鸟搜索算法中种群维度指的是什么

布谷鸟搜索算法中种群维度指的是一种算法。布谷鸟搜索算法，是由剑桥大学在文献中提出的一种群智能优化算法，它也是一种新型元启发式搜索算法。其思想主要基于两个策略：布谷鸟的巢寄生性和莱维飞行机制。通过随机游走的方式搜索得到一个最优的鸟窝来孵化自己的鸟蛋，这种方式可以达到一种高效的寻优模式。

‘肆’ 粒子群算法和布谷鸟算法那个优化结果更好

布谷鸟算法。
1、基于混沌动态步长的群体动画行为控制法研究中，相比之下，布谷鸟算法比遗传算法、粒子群算法更为简便，问题优化更好。
2、布谷鸟融合算法比粒子群具有更好的全局寻优特性，具有更好的动态。

‘伍’ 布谷鸟算法算人工智能吗

布谷鸟搜索算猛穗法，是 由剑 桥 大 学YANG等在文献 中提出的一种群智能优化算吵模法，它也是枝碰卜一种新型元启发式搜索算法

‘陆’ 粒子群算法和布谷鸟算法哪个好

粒子群算法和布谷鸟算法相比布谷鸟算法好。因为布谷鸟算法适合没有同样高度峰值点的函数搜索，粒子群算法适合低维度，图像简单的函数搜索。

‘柒’ 元启发式算法和启发式算法有什么区别

启发式算法与元启发式算法对区别在于是否存在“随机因素”。 对一个同样的问题，启发式算法（heuristics）只要给定了一个输入，那么算法执行的步骤就固定下来了，输出也因此固定，多次运算结果保持一致。

而元启发式算法（meta－heuristics）里面包括了随机因素，如GA中的交叉因子，模拟退火中的metropolis准则，这些随机因素也使得算法有一定概率跳出局部最优解而去尝试全局最优解，因此元启发式算法在固定的输入下，而输出是不固定的。

启发式算法(Heuristic Algorigthm)是一种基于直观或经验构造的算法,在可接受的花费(指计算时间、计算空间等)给出待解决优化问题的每一实例的一个可行解，该可行解与与最优解的偏离程度一般不可以事先预计。

启发式算法是一种技术,这种算法可以在可接受的计算费用内找到最好的解,但不一定能保证所得到解的可行性及最优性，甚至大多数情况下无法阐述所得解与最优解之间的近似程度。

元启发式算法（MetaHeuristic Algorigthm）是启发式算法的改进，它是随机算法与局部搜索算法相结合的产物，常见的启发式算法包括遗传算法、模拟退火算法、禁忌搜索算法及神经网络算法等。

新兴的元启发式算法有、粒子群优化算法、差分进化算法，蚁群优化算法、萤火虫算法、布谷鸟算法、和声搜索算法、差分进化算法、随机蛙跳算法、细菌觅食算法、蝙蝠算法的算法等。

‘捌’ 布谷鸟算法和共轭梯度法那个好

布谷鸟算法和共轭梯度法都是求解优化问题的算法，但是它们的思路和应用场景有所不同。
布谷鸟算法是一种群体智能算法，模拟了鸟群觅食的过程，通过不断调整个体的位置和速度来寻找最优解。它适用于求解非线性、多峰和高维度的优化问题。该算法具有全局收敛性和较快的收敛速度，但是其参颤敬数的设定和搜索空间的划分旅洞岁需要较高的技巧性。
共轭梯度法是一种基于梯度下降的优化算法，特别适用于求解大规模线性方程组的解。它利用梯度方向的共轭性来加速搜索过程，每次迭代只需要计算一次梯度，而不是像梯度下降法那样需要计算多次。该算法具有快速收敛和较低的计算复杂度，但是对于非线性问题的求解效果可能不如其他算法。
因此，在选择算法时需要根据具体问题的性质和要求来进行综合考虑，选拆睁择最适合的算法。

‘玖’ 聊聊Grin挖矿相关的那些秘密

    作为一名还算比较资深的显卡矿工，一直对显卡币比较关注，一些有前景的小币种在刚上线的初期，用显卡挖矿往往会有不错的收益。当然我挖的最多，赚的最多的还是以太。Grin作为19年以来最热的币种，从刚上线开始，我就配置了不少6G显存的机器参与了Grin的挖矿。从早期的星火、鱼池以及最近刚上线Grin的btc.com都有关注，最近一段时间Grin币价承压，收益溢价相对于以太越来越少，也就比较关注各矿池的费率、收益、拒绝率等情况。

    最近发现一个问题，各家矿数洞池标注的理论收益有比较大的出入，有些甚至相差百分之十几。下图是相同时刻，不同矿池的Grin挖矿理论收益：

       可以看到，不同矿池间，理论挖矿收益相差在10%以上。当时刚虚前看到这个的时候吓一跳，一天影响我不少收益，于是顺手配置了一些机器做了个测试。

       机器数量有限，而且btc.com目前算力较小，只对比grin算力占比最大的两家矿池，鱼池（以下简称F矿池）和星火矿池（以下简称S矿池）。下边是测试结果，仅供参考：

    上表是取了相同配置的两组106-100 6G 6卡矿机，各10台，分别在F矿池和S矿池挖 Grin 29，挖了66小时的收益情况。

    虽然当时F矿池的日理论收益 0.029566 G/grin，低于S矿池的日理论收益 0.032182 G/grin，相差近10%， 但是总的挖矿收益 F矿池 13.885273 Grin跟S矿池 13.50168 Grin相差并不多。 （grin日理论收益有波动，通过日理论收益和算力计算出来的理论挖矿收益跟实际收益有差别）

    最近一天的挖矿收益，相差也不大：

​

​

    那既然实际到手的收益没问题，日理论收益为什么会有这么大的差距。

    另外，发现我薯誉枯的机器在不同矿池后台显示的算力也相差较大。理论收益低的矿池相对的算力都会比较高。

​

​

    针对这个问题，我也咨询了矿池技术，回复大致是这样： Grin 挖矿采用的是布谷鸟算法（Cuckoo），这个算法有个特点，矿机先在本地经过多次hash运算，然后向矿池提交一次graph。矿机按照hash运算的次数来展示本地算力，而矿池按照提交的graph来评估矿机的算力。如果矿机每秒进行50次hash运算，提交一次graph，那么矿机本地的算力是50h/s，而矿池得到的算力是1h/s。

     为了尽量使矿池显示的算力跟矿机本地一致，矿池将接收到的算力乘以一个系数。每个矿池的这个系数不同，导致相同的矿机在各个矿池的算力不同，也使得单位算力在不同矿池的日理论收益有差异。

‘拾’ 常见的群体智能算法不包括

有一些并不是广泛应用的群体智能算法，比如萤火虫算法、布谷鸟算法、蝙蝠算法以及磷虾群算法等等。

粒子群算法（particle swarm optimization，PSO）是计算智能领域中的一种生物启发式方法，属于群体智能优化算法的一种，常见的群体智能优化算法主要有如下几类：

设想这样一个场景：一群鸟在随机的搜索食物。在这个区域里只有一块食物，所有的鸟都不知道食物在哪。但是它们知道自己当前的位置距离食物还有多远。那么找到食物的最优策略是什么？最简单有效的就是搜寻目前离食物最近的鸟的周围区域。

Step1:确定一个粒子的运动状态是利用位置和速度两个参数描述的，因此初始化的也是这两个参数；

Step2:每次搜寻的结果（函数值）即为粒子适应度，然后记录每个粒子的个体历史最优位置和群体的历史最优位置；

Step3:个体历史最优位置和群体的历史最优位置相当于产生了两个力，结合粒子本身的惯性共同影响粒子的运动状态，由此来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内随机生成一个N x d 的矩阵，而对于速度则不用考虑约束，一般直接在0~1内随机生成一个50x1的数据矩阵。

此处的位置约束也可以理解为位置限制，而速度限制是保证粒子步长不超限制的，一般设置速度限制为[-1,1]。

粒子群的另一个特点就是记录每个个体的历史最优和种群的历史最优，因此而二者对应的最优位置和最优值也需要初始化。其中每个个体的历史最优位置可以先初始化为当前位置,而种群的历史最优位置则可初始化为原点。对于最优搜哪汪值，如果求最大值则初始化为负无穷，相反地初始化为正无穷。

每次搜寻都需要将当前的适应度和最优解同历史的记录值进行对比，如果超过历史最优值，则更新个体和种群的历史最优位置和最优解。

速度和位置更新是粒子群算法的核心，其原理表达式和更新方式：

每次更新完速度和位置都需要考虑速度和位置的限制，需要将其限制在规定范围内，此处仅举出一个常规方法，即将超约束的数据约束到边界缓山（当位置或者速度超出初始化限制时，将其拉回靠近的边界处）。当然，你不用担心他会停住不动，因为每个粒子还有惯性和其他两个参数的影响。

粒子群算法求平方和函数最小值，由于没有特意指定函数自变量量纲，不进行数据归一化。