该算法需要以下步骤为了寻找最优的解决方案: (1)

指定解决方案集的上界和下界。

这种模式模仿猫的休息行为,扮演重要角色四个基本参数:寻求内存池(SMP),寻求一系列选择的维度(阶跃恢复二极管),项维度改变(CDC),和近程考虑(SPC)。这些值都是调优和定义的用户通过试错法。

SMP指定为猫寻找内存的大小,即。,我t defines number of candidate positions in which one of them is going to be chosen by the cat to go to, for example, if SMP was set to 5, then for each and every cat, 5 new random positions will be generated and one of them will be selected to be the next position of the cat. How to randomize the new positions will depend on the other two parameters that are CDC and SRD. CDC defines how many dimensions to be modified which is in the interval of [0, 1]. For example, if the search space has 5 dimensions and CDC is set to 0.2, then for each cat, four random dimensions out of the five need to be modified and the other one stays the same. SRD is the mutative ratio for the selected dimensions, i.e., it defines the amount of mutation and modifications for those dimensions that were selected by CDC. Finally, SPC is a Boolean value, which specifies whether the current position of a cat will be selected as a candidate position for the next iteration or not. So, for example, if the SPC flag is set to true, then for each cat, we need to generate (SMP-1) number of candidates instead of SMP number as the current position is considered as one of them. Seeking mode steps are as follows: (1)

使SMP的当前位置的猫 _k。

如果目标是最小化,然后FS _b= FS_马克斯;否则,FS _b= FS_最小值。

这种模式复制猫的跟踪行为。第一次迭代,随机速度值给猫的所有维度的地位。然而,对于以后的步骤,需要更新速度值。移动猫在这种模式下如下: (1)

更新速度(<我talic> V _k,维根据方程()的所有尺寸 3)。

参见图 2回顾整个算法的图。

Sharafi等人介绍了BCSO算法的二进制版本方案( 9]。寻找模式的阶跃恢复二极管参数已经被另一个取代参数称为突变操作(PMO)的概率。然而,寻找模式的程序步骤和其他三个参数保持不变。因此,选择尺寸使用CDC然后PMO会被应用。在跟踪模式中,速度和位置的计算方程也变成了一种新形式,在新位置向量组成的二进制数字从当前位置向量或全球位置向量(最好的位置向量)。两个速度矢量也定义为了决定哪些向量(当前或全球)可供选择。

普拉丹猫和熊猫提出多目标群优化(MOCSO)通过扩展方案解决多目标问题[ 10]。MOCSO结合外部存档和帕累托统治地位的概念来处理nondominated解决方案。

蔡和潘引入并行猫群优化(PCSO) [ 11]。该算法改进方案算法通过消除最糟糕的解决方案。为了实现这一点,他们首先把猫到子组,即。亚种群。猫在寻求模式移动原算法。然而,在跟踪模式,为每个子群,最好的猫将被保存到内存中,并将被认为是当地最好的。此外,猫朝着当地最好的而不是全球最好的。然后,在每组中,猫是分类根据其适应度函数从最好到最差。这个过程将持续的迭代次数,由一个参数指定称为电解珩磨(一个阈值来定义当交换组)的信息。例如,如果决定= 20,然后每隔20迭代,坏的猫的子组交换信息将被随机选择当地取代另一组。这些修改算法,计算速度更快,更准确性当迭代的数量少,人口规模很小。

Santosa和Ningrum改善集群的方案算法和应用它的目的( 12]。的主要目标是利用全封闭集群数据和找到最好的集群中心。他们所做的修改是两个要点:首先,将混合比例(先生),因此迫使所有的猫去通过寻找和跟踪模式。这是旨在缩短所需的时间找到最好的集群中心。其次,总是疾控中心值设置为100%,而不是80%,在最初的方案中,为了改变所有维度的候选人猫和增加多样性。

蔡等人进一步提高PCSO算法的精度和性能,利用田口方法的正交阵列,称之为增强型并行猫群优化(EPCSO) [ 13]。田口方法是统计方法,由日本工程师发明Genichi田口。这个想法是开发基于正交阵列”实验,提高了工程生产力的重要成本、质量和性能。在他们的算法,寻求EPCSO模式是一样的原始社会。然而,跟踪模式采用田口正交数组。这是提高计算成本的目的即使代理数量的增加。因此,两组的候选人将创建速度跟踪模式。然后,基于正交阵列,实验将相应的运行和猫的位置将被更新。Orouskhani et al。 14)添加部分修改EPCSO为了进一步改进它,让它适合他们的应用程序。的修改变化表示的代理协调一组;添加一个新定义的集群标志;和设计定制的适应度函数。

Orouskhani速度方程等人介绍了一个惯性值以达到平衡勘探开发阶段。他们尝试,<我nline-formula> w 值是更好的选择的范围[0.4,0.9]操作开始时,它被设置为0.9,随着迭代次数的进步,<我nline-formula> w 值逐渐变得越来越小,直到达到0.4在最后一次迭代开发。大的值<我nline-formula> w 协助全球搜索;而小的值<我nline-formula> w 协助本地搜索。除了增加惯性值,方程也改革一个新的位置,平均的当前和先前的位置,以及当前和先前的平均速度,在方程( 14]。

Orouskhani等人进一步提高该算法通过引入三个主要修改( 15]。首先,他们介绍了一个可调节惯性值速度方程。这个值随着维数的增加逐渐减少。因此,它有最大的价值维度,反之亦然。其次,他们改变了常数(C),一个可调节值。然而,相反的惯性权重,尺寸的最小值逐渐增加,直到最后的维度,它最大的价值。最后,他们改革的位置方程利用其他维度的信息。

哈迪和沙巴提出了一个混合动力系统,称之为增强HCSO [ 16, 17]。的目标是减少计算成本在视频编辑块匹配过程。在他们的建议,他们利用一个健身计算策略在寻找模式的算法。当时的想法是避免计算一些地区决定是否计算或估计接下来的搜索位置移动。此外,他们还介绍了惯性权重跟踪模式。

哈迪和沙巴提出两个概念结合在一起,提高算法,并命名为ICSO。第一个概念是平行跟踪模式和信息交换,这是取自PCSO。第二个概念是添加一个惯性权重的位置方程,这是取自AICSO。他们应用高效在块匹配运动估计算法。他们的目标是提高性能,减少迭代次数没有退化的图像质量 17]。

Kumar和Sahoo首次提出利用柯西变异算子改善方案算法的探索阶段( 34]。然后,他们引进了两个修改进一步改进算法,并命名为反对learning-improved方案(OL-ICSO)。他们提高了人口的多样性算法采用反对学习方法。最后,两个启发式机制(寻找和跟踪模式)。引入这两种机制的目的是改善种群的不同性质,防止算法陷入当地最适条件的可能性解决方案时靠近边界的数据集和数据向量经常越过边界约束( 18]。

聂等人改进方案算法的准确性,避免当地最适条件捕获。他们首先介绍研究猫群优化(QCSO)相结合方案算法与量子力学。因此,提高了精度和算法避免了被困在当地的最适条件。接下来,通过合并一个帐篷映射技术,他们提出了混沌研究猫群优化(CQCSO)算法。增加帐篷映射的思想又进一步改进算法,让可能的算法跳出局部最适条件点可能落入[ 19]。

在原始算法中,猫是随机选择进入寻求模式或跟踪模式使用一个参数称为先生然而,Kanwar等人改变了寻求模式通过迫使当前最好的猫在每个迭代中去寻找模式。此外,在他们的问题领域,公司决策变量是整数的解决方案在最初的猫是连续的。因此,从选择最佳的猫,两只猫是由地板和天花板。生产之后,所有可能的组合的猫从这两只猫 20.]。

Kumar和辛格两个修改改进方案算法,称之为ICSO [ 21]。他们第一次提高了跟踪模式通过修改速度和位置更新方程。的速度方程,随机均匀分布向量和添加了两个自适应参数调整全球和本地搜索运动。其次,本地搜索方法结合算法,以防止当地最适条件问题。

蔡等人提出了一个混合动力系统结合PCSO与ABC算法和命名是混合PCSOABC [ 22]。结构简单的包括PCSO和ABC连续运行。自从PCSO执行速度与人口规模小,算法首先开始于一个小的人口和PCSO运行。一个预定义的迭代次数后,人口规模将增加,ABC算法开始运行。由于该算法简单,没有任何可调反馈参数,它有时比PCSO提供糟糕的解决方案。然而,它的收敛速度比PCSO。

Vivek Reddy提出了一种新的方法通过结合方案与粒子群智能算法,遗传算法(GA)和支持向量机(SVM),称之为CSO-GA-PSOSVM [ 23]。在他们的方法,他们采用了遗传算法变异算子的寻求模式方案为了获得散度。此外,他们都采用GA操作符以及PSO减法和加法操作符的跟踪模式方案以获得收敛。这种混合metaheuristic系统然后合并与支持向量机分类器应用于面部情感识别。

Skoullis等人介绍了三个修改算法( 24]。首先,他们用本地搜索精炼过程组合方案。其次,如果当前与全球最好的猫和猫相比他们的健身价值是相同的,全球最好的猫还会更新当前的猫。的目的是实现更多的多样性。最后,猫是单独选择去寻求模式或跟踪模式。

Sarswat等人还提出了一个混合动力系统通过结合方案,GA和SA),然后将它与modularity-based方法( 25]。他们命名算法混合CSO-GA-SA。系统的结构非常简单,直接,因为它是由一个连续的组合方案,GA和SA。他们应用了系统检测重叠社区结构和社区发现算法分离。因此,输入数据集是首先输入一个预定义的方案算法的迭代次数。导致猫被转换成染色体,今后应用GA。然而,GA可能落入局部最适条件,为了解决这个问题,SA之后应用。

林等人结合变异算子与方案算法作为局部搜索过程,找到更好的解决方案在全球最佳的面积 26]。它是用于优化支持向量机的特征选择和参数。此外,Mohapatra等人的想法使用变异操作之前分发猫寻求或跟踪模式( 27]。

Pappula等人采用了一个正常的变异技术方案算法为了提高算法的探索阶段。他们用十六个基准函数来评估他们对方案的算法和PSO算法( 28]。

林等人改进方案的寻找模式的算法。首先,他们用交叉操作产生候选人的立场。其次,他们改变了新职位的价值时,阶跃恢复二极管价值和当前位置没有相关性( 29日]。值得一提的是,有四个版本的方案中引用( 17, 20., 21, 29日),所有拥有相同的名字(ICSO)。然而,他们的结构是不同的。

赵引入了一个紧凑版本的方案的算法。用微分算子在寻求该算法的模式来取代原来的突变的方法。此外,正常使用概率模型来生成新的个人和表示人口的解决方案( 30.]。

Siqueira等人致力于简化二进制版本的方案以提高其效率。他们减少的数量方程,取代了继续运营商与逻辑门,最后综合先生的轮盘赌方法参数( 31日]。

Pratiwi相结合提出了一种混合动力系统方案与乌鸦搜索算法(CS)算法。该算法首先运行方案算法之后,CS算法的内存更新技术,然后将生成新职位。她应用算法在车辆路径问题( 32]。

Yusiong提出安结合方案算法和最佳的脑损伤(OBD)方法。首先,全封闭算法作为优化技术训练ANN算法。其次,OBD是用作修剪算法减少少安结构的复杂性,已经使用的连接数量。作为一个结果,一个人工神经网络得到了更少的训练误差和分类精度高( 36]。

Orouskhani等人结合ADCSO算法和梯度下降法(GD)算法来调整参数的自适应基于网络的模糊推理系统(简称ANFIS)。在他们的方法中,简称ANFIS的前提和结论参数连续被全封闭训练算法和GD算法( 37]。

Abed和Al-Asadi提出基于支持向量机的混合动力系统和方案。系统应用于心电图信号分类。他们使用方案为目的的特征选择优化和提高支持向量机的参数( 38]。此外,林等人,王、吴 39, 40)还与SVM组合方案,应用到课堂反应系统。

南达提出了一个混合动力系统通过结合小波神经网络算法(算法)和方案。在他们的建议,方案算法被用来训练将为了获得的权重算法权重( 41]。

Mohamadeen等人建立了一个基于BCSO和支持向量机分类模型,然后应用电力系统。使用BCSO优化支持向量机参数( 42]。

安王等人提出了设计一个能够处理随机性、模糊性,同时在时间序列和累计时间效果。在他们的工作,方案算法用于优化的网络结构和学习参数在同一时间( 43]。

Chittineni安等人用全封闭和PSO算法来训练,然后运用他们的方法在股票市场预测。他们的比较结果表明,方案算法表现优于PSO算法( 44]。

Kumar等人结合方案算法和人工神经网络(FLANN)功能联系发展进化过滤去除高斯噪声( 45]。

方案算法已经广泛应用于电气工程领域。黄等人应用方案和PSO算法在电子支付系统为客户为了减少电费。结果表明,方案更为高效和速度比PSO在寻找全球最佳解决方案( 46]。经济负荷调度(古人)和单位承诺(加州大学)是重要的应用程序,目标是减少的燃料是一个电力系统的总成本。黄等人应用经济负荷调度方案算法(古人)的风和热发电机( 47]。Faraji等人还提出了应用二进制猫群优化(BCSO)算法在加州大学,并获得更好的结果比前一方法( 48]。UPFC代表统一潮流控制器,它是一个电子设备用于传输系统来控制活动和无功功率流。Kumar和Kalavathi方案算法用于优化UPFC为了提高系统的稳定性( 49]。列宁和Reddy也应用ADCSO无功调度问题,目标是最小化有功功率损失( 50]。提高可用传输能力(ATC)是非常重要的电气工程。Nireekshana等人使用方案算法调节位置和SVC的控制参数和TCSC最大化的目的权力交接事务在正常和应急情况下 51]。电力变压器的功能就是提供给消费者。确定这些变压器是电力系统的可靠性如何至关重要。Mohamadeen等人提出了一种分类模型分类变压器根据他们的可靠性状态( 42]。该模型建立了基于BCSO与支持向量机结合。结果与基于全局搜索的一个类似的模型。结果表明,BCSO更为高效优化支持向量机参数。安王等人提出了设计一个能够处理随机性、模糊性,同时累积效应在时间序列( 43]。在他们的工作,方案算法被用来优化网络结构和学习参数在同一时间。然后,该模型应用于两个应用程序,个人家庭电力消费预测和Alkaline-surfactant-polymer (ASP)驱采油指数预测油田开发。电流源逆变器(CSI)是一种传统的逆变器拓扑。Hosseinnia和Farsadi结合选择性谐波消除(她)与方案公司的算法,然后应用电流源逆变器(CSI) [ 52]。全封闭的角色算法优化和调优切换参数和最小化总谐波失真。El-Ela et al。 53)使用方案和PCSO找到最优的位置和大小的分布式发电单元在分销网络。郭et al。 54]使用MCSO算法提出一种新颖的最大功率点跟踪翻译(MPPT)方法来获得全局最大功率点跟踪(GMPP)。斯利瓦斯塔瓦等人使用BCSO算法优化相量测量单元的位置,减少所需数量的pmu ( 55]。郭等人使用方案算法来识别参数的单引号和双二极管模型在太阳能电池模型( 56]。

面部表情识别是一种生物的方法来识别人类的情感并相应地进行分类。林等人,王、吴 39, 40)提出了一个课堂反应系统结合方案算法与支持向量机分类学生的面部表情。Vivek也Reddy CSO-GA-PSOSVM算法用于相同的目的( 23]。在视频处理块匹配计算昂贵和耗时。哈迪和沙巴使用全封闭的块匹配算法效率运动估计( 57]。目的是减少头寸的数量需要计算在搜索窗口在块匹配过程中,即,以提高性能和减少迭代的数量没有图像质量的退化。作者进一步改善他们的工作,取得更好的结果通过替换方案算法和HCSO ICSO ( 16, 17),分别。Kalaiselvan等人,Lavanya Natarajan [ 58, 59)使用方案算法检索水印类似于原件。在视频处理、对象跟踪的过程确定移动物体的位置随着时间的推移使用相机。哈迪和沙巴EHCSO用于目标跟踪系统进一步提高效率和精度的角度( 60]。燕等人使用BCSO作为高光谱图像波段选择方法( 61年]。在计算机视觉中,图像分割是指将一幅图像划分为多个部分的过程。二甲胂酸和巴塔查里亚Karakoyun et al。 62年, 63年)建议使用方案算法结合多级阈值进行图像分割的概念。张等人结合小波熵,安,和方案算法开发一个酒精使用障碍(AUD)识别系统 64年]。Kumar等人结合方案算法和人工神经网络(FLANN)功能链接从CT图像中删除不必要的高斯噪声( 45]。杨等人结合方案和L-BFGS-B技术注册非刚性的多通道图像( 65年]。凸轮采用全封闭算法调优参数的直方图拉伸技术,图像增强的目的( 66年]。

IIR滤波器代表无限脉冲响应。它是一个离散时间滤波器,应用在信号处理和通信。熊猫等人方案算法用于信息检索系统识别( 67年]。作者还应用方案算法作为优化机制直接和逆建模的线性和非线性植物( 68年]。Al-Asadi方案算法与支持向量机结合起来对心电图信号分类( 38]。

在并行计算中,最优任务分配是一个关键的挑战。Shojaee et al。 69年, 70年建议使用方案算法最大化系统的可靠性。有三种基本调度问题,即开放的商店,商店工作,和流动商店。这些问题被归类为np困难和有许多实际的应用程序。他们协调分配工作在特定的时间资源,目标是减少时间消耗。然而,他们的区别主要是在限制操作顺序。Bouzidi和Riffi BCSO算法作业调度问题(JSSP) ( 71年]。他们还做了一个方案之间的比较研究和其他两名metaheuristic算法,也就是说,布谷鸟搜索算法(CS)和JSSP的蚁群优化(ACO) ( 72年]。然后,他们使用方案的算法来解决流水车间调度(FSSP) [ 73年)和开放的车间调度问题(OSSP) ( 74年]。此外,丹尼等人也应用方案算法JSSP猫,他们使用了一个非传统的方法来表示位置( 75年]。孔雀王朝和特里帕西也应用方案算法bag-of-tasks云系统和工作流调度问题( 76年]。Bouzidi Riffi应用方案算法在旅行商问题(TSP)和二次分配问题(QAP),这两个组合优化问题( 77年]。Bouzidi等人也使得方案算法之间的比较研究,布谷鸟搜索算法,bat-inspired算法解决TSP ( 78年]。在云计算中,最小化总执行成本,而对任务处理资源的分配是一个关键问题。Bilgaiyan等人应用方案和MCSO工作流调度算法在云系统( 79年]。此外,Kumar等人还应用BCSO在云工作流调度系统( 80年]。集覆盖问题(SCP)被认为是一个np完全问题。克劳福德等人成功BCSO算法应用于这个问题( 81年]。他们进一步完善这项工作通过使用二值化技术和选择不同的参数为每个测试例子集( 82年, 83年]。Web服务提供一个标准化的应用程序之间的通信在网络上有许多重要的应用。然而,发现适当的web服务对于一个给定的任务是具有挑战性的。Kotekar和Kamath CSO-based方法作为集团服务文档聚类算法根据他们的功能相似 84年]。Sarswat等人应用混合CSO-GA-SA发现重叠社区结构和社区发现算法分离( 25]。优化控制问题的复杂网络系统在许多领域的科学与工程是至关重要的。Orouskhani等人应用方案优化算法来解决许多问题将可控性,从而优化网络结构( 85年]。Skoullis等人结合方案算法和局部搜索精炼过程和应用在高中制定时间表问题( 24]。索托等人结合BCSO与动态混合比率组织细胞制造单元设计问题( 86年]。巴拉米等人应用方案算法在水资源管理算法被用来找到最优水库操作( 87年]。Kencana等人使用方案算法分类小额贷款在银行系统的可行性 88年]。Majumder和Eldho组合方案算法与分析单元法(AEM)和反向粒子跟踪(RPT)模型小说地下水管理系统( 89年]。Rautray Balabantaray使用方案算法解决multidocument总结问题[ 90年]。托马斯等人结合径向点搭配meshfree (RPCM)方法与方案算法用于地下水资源管理( 91年]。Pratiwi创造了一个混合动力系统结合方案算法和乌鸦搜索算法(CS),然后用它来解决时间窗的车辆路径问题(VRPTW) ( 32]。名称等人提出了一个modularity-based系统方案算法结合K-median集群技术来检测重叠社区在社交网络 92年]。

无线设备不断推动人员更明智地使用电磁频谱的乐队。认知无线电(CR)是一种有效的动态频谱分配的频谱动态分配是基于特定的时间或地点。普拉丹和熊猫( 93年, 94年)结合MOCSO与健身共享和模糊机制和应用CR设计。他们也进行了比较分析,提出了一种广义的方法设计一个CR引擎基于六进化算法( 95年]。无线传感器网络(WSN)是指一组节点(无线传感器),形成一个网络监控物理或环境条件。收集数据需要转发的节点,每个节点需要路由路径。香港等人提出了应用增强并行猫群优化(EPCSO)算法在这个领域作为一个路由算法( 33]。传感器网络的背景下的另一个担忧是减少总能耗,同时满足了性能标准。Tsiflikiotis和Goudos解决这个问题称为最优功率分配问题,为此,三个metaheuristic算法提出了比较( 96年]。此外,Pushpalatha和Kousalya应用方案基础上优化簇头选择有助于节约能源和可用带宽 97年]。阿拉姆等人也应用方案在clustering-based方法处理信道分配算法(CA)之间的问题次要用户对实际约束在智能电网环境下( 98年]。的作者( 99年, One hundred.)使用方案的算法在网络找到水槽节点的最优位置。Ram等人应用方案算法来最小化的旁瓣水平天线阵列,提高方向性( 101年]。Ram等人使用方案优化控制参数的线性天线阵列和生产优化设计( 102年]。Pappula和Ghosh还利用柯西变异方案使线性非周期阵列,目标是减少旁瓣水平和控制零位置( 103年]。

方案的算法也被应用在石油工程领域。例如,它是作为一个好的位置优化方法,陈等人在 104年, 105年]。此外,王等人使用方案算法作为一个三元复合驱采油指数预测方法( 43]。

Ghadim等人使用方案算法来创建一个识别模型,检测早期裂缝在建筑结构 106年]。

这一组包括单峰和多通道测试函数。单峰测试函数包含一个单一的优化而多通道测试函数包含多个当地的最适条件,通常一个全局最优。F1 F7单峰测试函数(表 3),它是用来试验算法的全局搜索能力。此外,F23 F8是多通道测试函数,用来试验算法的局部搜索能力。请参考[ 107年为单峰和多峰函数的详细描述。

这些组基准函数,也称为复合基准函数,是复杂的,很难解决。CEC01 CEC10函数如表所示 3是这些类型的转变,旋转,扩大,传统基准函数的组合版本。请参考[ 108年为现代基准函数的详细描述)。

方案和其他算法的比较结果表 3的平均值和标准偏差。对于每个测试函数,算法执行30独立运行。每次运行30搜索代理是经过500次迭代搜索。参数设置对所有算法,设置为默认值,没有改变。

它可以注意到从表 3方案的算法是现代的和竞争算法提供了非常令人满意的结果。为了感知的总体性能算法,排序如表所示 4根据不同的基准函数组。可以看出,方案在整体排名中位列第一,多通道测试函数。此外,它排名第二在单峰和CEC测试函数(见图 4)。这些结果表明了方案的有效性和鲁棒性算法。话虽这么说,这些结果需要确认统计。表 5介绍了Wilcoxon配对符号秩检验测试函数。在85%以上的结果,<我nline-formula> P 值小于0.05%,证明结果是重要的,我们可以拒绝零假设,没有区别的意思。值得一提的是,方案的性能可以进一步评估通过比较它与其他新算法如驴和走私者优化算法( 109年),修改后的灰太狼优化器( 110年],BSA和它的变体( 111年),WOA及其变种( 112年),和其他大的修改版本 113年]。