基于自适应步长布谷鸟搜索算法优化的小波加权多模盲均衡算法

基于改进布谷鸟算法的分数低阶盲均衡算法王旭光;陈红;褚鼎立【摘要】针对无线通信系统中传统常模盲均衡算法(CMA)在脉冲噪声环境下适应性较差,难以有效收敛的问题,提出了改进布谷鸟算法优化的分数低阶统计量常模盲均衡算法(SCS FLOSCMA).该算法将椋鸟鸟群的集体性行为引入到基础布谷鸟算法(CS)中,有效提高了搜索精度,减少了CS算法后期过早收敛的风险;然后把改进后的CS算法引入到分数低阶常模盲均衡算法(FLOSCMA)中,将搜索过后得到的全局最优巢作为均衡器的初始权向量.仿真表明,与CMA和FLOSCMA算法相比,该方法在均方误差曲线更稳定,收敛速度也更快.【期刊名称】《探测与控制学报》【年(卷),期】2018(040)005【总页数】5页(P111-115)【关键词】分数低阶盲均衡;脉冲噪声;布谷鸟算法;椋鸟群行为【作者】王旭光;陈红;褚鼎立【作者单位】国防科技大学电子对抗学院,安徽合肥 230031;国防科技大学电子对抗学院,安徽合肥 230031;国防科技大学电子对抗学院,安徽合肥 230031【正文语种】中文【中图分类】TN911.70 引言盲均衡算法不需要训练序列，只需要依靠自身接收的信号的统计信息来更新均衡器向量，可以有效提高系统的宽带利用率[1]。

由于计算量小、实时性强等优点，常模盲均衡算法(CMA，Constant Modulus Blind Equalization Algorithm)备受关注。

上世纪90年代，基于CMA的分数间隔均衡器得到了广泛发展和应用[2]。

CMA算法的代价函数不含相位信息，对相偏反应迟钝，仅适用于均衡幅度恒定的信号。

最初的盲均衡算法研究是在无噪声的假设下进行的，这是由于当时大多数学者认为码间串扰(Intersymbol Interface，ISI)是引起通信信号失真的主要原因。

这一假设对有线通信情况，如同轴电缆、光纤或双绞线是适用的，但是对于无线通信系统不合适[3]。

专利名称：一种自适应布谷鸟算法及其在化工优化中的应用方法
专利类型：发明专利
发明人：莫愿斌,卢彦越,张超群
申请号：CN201811000963.6
申请日：20180830
公开号：CN109146188A
公开日：
20190104
专利内容由知识产权出版社提供
摘要：本发明属于化工技术领域，公开了一种自适应布谷鸟算法及其在化工优化中的应用方法。

本发明提出一种变步长自适应布谷鸟搜索算法(VSACS)，将基本布谷鸟搜索(CS)算法中的随机步长改进成根据迭代次数自适应调整的步长。

通过15个标准测试函数的测试，结果验证了改进的算法有较快的收敛速度和较高的求解精度。

最后将改进的算法用于批示反应器、管式反应器、生物反应器等3个典型的化工动态优化问题中，获得了满意的实验结果，同时也进一步表明该算法的有效性。

申请人：广西民族大学
地址：530006 广西壮族自治区南宁市大学东路188号
国籍：CN
代理机构：重庆市信立达专利代理事务所(普通合伙)
代理人：包晓静
更多信息请下载全文后查看。

基于SA—GSO的小波加权多模盲均衡算法作者：高敏郭业才来源：《安徽理工大学学报·自然科学版》2012年第04期摘要：为解决传统多模盲均衡算法（MMA）在均衡高阶QAM信号时存在的收敛速度慢、稳态误差大等问题，提出了一种基于模拟退火萤火虫优化的小波加权多模盲均衡算法（SA-GSO-WT-WMMA）。

该算法在MMA的基础上增加了加权项，并引入了模拟退火萤火虫优化（SA-GSO）算法和正交小波变换（WT），利用加权项自适应地调整算法中代价函数的模值，利用SA-GSO算法极强的全局寻优能力来优化均衡器的初始权向量，利用正交小波变换降低信号的自相关性，有效提高了均衡效果。

水声信道仿真实验表明，该算法在降低稳态均方误差和加速收敛速度两方面表现卓越。

关键词：盲均衡；水声通信；正交小波变换；人工萤火虫群；模拟退火；加权多模中图分类号：TN911文献标志码：A[WT]文章编号：1672-1098（2012）04-0023-07基金项目：全国优秀博士学位论文作者专项资金资助（200753）；安徽省高等学校自然科学基金（KJ2010A096）；安徽高校省级科研项目（KJ2011B162）；江苏省“六大人才高峰”培养资助项目（2008026）资助课题；淮南职业技术学院院级科研项目（HKJ10-3）作者简介：高敏（1981-），女，安徽蚌埠人，讲师，在读硕士，研究方向：智能信息处理与通信系统。

目前，水声通信是人们普遍接受的水下通信方式，水声信道中的多径传播、高背景噪声等因素会使信号在传输过程中产生严重的码间干扰[1-5]（Inter-symbolInterference，ISI），通信质量无法得到保证。

为解决这一问题，各种均衡技术应运而生。

盲均衡技术不需要像传统的均衡技术那样通过发送序列来调整均衡滤波器的参数，仅通过接收信号本身的高阶统计信息就能实现均衡器参数的实时调整，不仅保证了通信质量，还提高了通信效率[1]。

基于变尺度法和自适应步长的布谷鸟搜索算法江浩;阮奇【期刊名称】《计算机技术与发展》【年(卷),期】2015(25)10【摘要】Cuckoo Search ( CS) is a novel meta-heuristic algorithm. Aiming at the defects of weak local search ability,slow convergence velocity and low convergence accuracy,a modified CS algorithm based on DFP and adaptive step is proposed in this paper. In the im-proved cuckoo search algorithm,the step of Lévy flight nonlinear dynamic changes improve convergence velocity. After evolved from Lévy flights and elimination mechanism,the cuckoo populations rapidly access to global minima by DFP. Sixth representative benchmark functions are used to test the performance of DACS algorithm and CS algorithm respectively. The conclusions indicate that DACS algo-rithm has faster convergence speed,higher convergence accuracy and robustness,compared with CS algorithm. Meanwhile,DACS algo-rithm keeps strong global search capability,which is particularly suitable for the optimization of multimodal function and high dimension function.%布谷鸟搜索算法( Cuckoo Search,CS)是一种新型的元启发式算法。

基于梯度的自适应快速布谷鸟搜索算法
李荣雨;刘洋
【期刊名称】《运筹学学报》
【年(卷),期】2016(020)003
【摘要】针对标准布谷鸟搜索(CS)算法存在全局搜索和局部搜索能力不平衡的缺点,提出一种基于梯度的自适应快速布谷鸟搜索(GBAQCS)算法.在改进的算法中,针对偏好随机游动的步长,在利用目标函数的梯度决定步长方向的基础上,首先提出自适应搜索机制平衡了算法的全局搜索和局部搜索能力;其次提出快速搜索策略,充分利用当前鸟巢信息进行精细化搜索,从而提高算法的搜索精度和收敛速度.实验结果表明,相比其他算法,所提出的改进策略使算法的全局搜索和局部搜索能力保持了相对的平衡,并提高了算法的收敛性能.
【总页数】12页(P45-56)
【作者】李荣雨;刘洋
【作者单位】南京工业大学计算机科学与技术学院,南京211816;南京工业大学计算机科学与技术学院,南京211816
【正文语种】中文
【中图分类】O22
【相关文献】
1.基于梯度信息的快速自适应图像修补方法 [J], 何静;赵凤群;晁永国;韩舒然
2.基于动态平衡因子自适应步长的布谷鸟搜索算法 [J], 张烈平;于滟琳;杨振宇;何
佳洁;骆颖雄
3.基于小批量梯度下降的布谷鸟搜索算法 [J], 田媛;梁永全
4.基于自适应差分扰动的布谷鸟搜索算法 [J], 刘紫阳;郑韩飞;李丛萱
5.基于自适应布谷鸟搜索算法的Tsallis熵阈值图像分割 [J], 黄毅英;黄河清
因版权原因，仅展示原文概要，查看原文内容请购买。

基于自适应布谷鸟聚类搜索的推荐系统算法的研究
胡安明
【期刊名称】《电脑知识与技术:学术版》
【年(卷),期】2022(18)6
【摘要】推荐系统本质是一种信息检索技术,能根据用户喜好在海量数据中检索出合适数据推荐给用户,传统推荐系统一般使用协同过滤推荐算法,协同过滤推荐算法主要通过挖掘用户的历史行为数据进行推荐,但传统推荐算法存在着稀疏矩阵、冷启动、实时性等问题困扰[1];因此,本文提出一种基于自适应布谷鸟聚类搜索的改进推荐系统算法,首先对推荐数据进行聚类处理,然后利用布谷鸟算法较强的全局搜索能力,提升推荐系统的准确度,实验结果表明,引入自适应布谷鸟聚类搜索能对传统协同过滤算法在推荐精度、召回率等方面指标方面有一定提高,计算效果优于传统推荐算法。

【总页数】3页(P87-88)
【作者】胡安明
【作者单位】广州理工学院计算机科学与工程学院
【正文语种】中文
【中图分类】TP311
【相关文献】
1.基于自适应布谷鸟搜索算法的K-means聚类算法及其应用
2.自适应布谷鸟搜索的并行K-means聚类算法
3.自适应调整的布谷鸟搜索K-均值聚类算法
4.基于布谷鸟搜索的聚类推荐算法研究综述
5.基于布谷鸟搜索的聚类推荐算法研究综述
因版权原因，仅展示原文概要，查看原文内容请购买。

第１４卷㊀第２期Ｖｏｌ．１４Ｎｏ．２㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２４年２月㊀Ｆｅｂ．２０２４㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２４）０２－０１５０－０６中图分类号：ＴＰ３９１文献标志码：Ａ基于改进布谷鸟算法的自适应负载均衡算法李㊀民（浙江理工大学计算机科学与技术学院，杭州３３００１８）摘㊀要：针对负载均衡算法在高负载请求下服务器集群效率不高，负载不均衡及低负载请求下影响服务器效率的问题，文中基于Ｎｇｉｎｘ负载均衡服务器，提出一种基于改进布谷鸟算法的自适应负载均衡算法㊂该算法通过熵权法确定ＣＰＵ㊁内存㊁磁盘ＩＯ性能和网络带宽等各项负载指标的权系数，衡量各项负载指标对负载评价影响的重要程度，并基于Ｎｇｉｎｘ加权轮询算法和服务器实时负载情况，设计了高并发负载情况下的动态负载均衡算法㊂引入转化阈值计算，通过引入基于种群熵的改进布谷鸟算法计算Ｎｇｉｎｘ静态加权轮询算法，转变为动态负载均衡算法的转化阈值㊂通过实验测试，相较于ＷＲＲ算法㊁ｌｅａｓｔ－ｃｏｎ算法和动态权重算法，该算法在响应时间和实际并发数等方面具有表现更好，在数值上相比于动态权重算法有１８％左右的提升，验证了本文算法具有更好的负载均衡效果㊂关键词：负载均衡；Ｎｇｉｎｘ；服务器集群；改进布谷鸟算法；动态算法ＡｄａｐｔｉｖｅｌｏａｄｂａｌａｎｃｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｃｕｃｋｏｏｓｅａｒｃｈａｌｇｏｒｉｔｈｍＬＩＭｉｎ（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＺｈｅｊｉａｎｇＳｃｉ－ＴｅｃｈＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ３３００１８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｒｅｓｐｏｎｓｅｔｏｔｈｅｉｎｅｆｆｉｃｉｅｎｃｙｏｆｃｕｒｒｅｎｔｌｏａｄｂａｌａｎｃｉｎｇａｌｇｏｒｉｔｈｍｓｆｏｒｓｅｒｖｅｒｃｌｕｓｔｅｒｓｕｎｄｅｒｈｉｇｈ－ｃｏｎｃｕｒｒｅｎｃｙｒｅｑｕｅｓｔｓａｓｗｅｌｌａｓｔｈｅｐｒｏｂｌｅｍｓｏｆｌｏａｄｉｍｂａｌａｎｃｅａｎｄｌｏｗ－ｃｏｎｃｕｒｒｅｎｃｙｒｅｑｕｅｓｔｓ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎａｄａｐｔｉｖｅｌｏａｄｂａｌａｎｃｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎａｎｉｍｐｒｏｖｅｄｃｕｃｋｏｏｓｅａｒｃｈａｌｇｏｒｉｔｈｍｆｏｒＮｇｉｎｘｌｏａｄｂａｌａｎｃｉｎｇｓｅｒｖｅｒｓ．ＴｈｅａｌｇｏｒｉｔｈｍｕｓｅｓｔｈｅｅｎｔｒｏｐｙｗｅｉｇｈｔｍｅｔｈｏｄｔｏｄｅｔｅｒｍｉｎｅｔｈｅｗｅｉｇｈｔｃｏｅｆｆｉｃｉｅｎｔｓｏｆｖａｒｉｏｕｓｌｏａｄｉｎｄｉｃａｔｏｒｓｓｕｃｈａｓＣＰＵｐｅｒｆｏｒｍａｎｃｅ，ｍｅｍｏｒｙｐｅｒｆｏｒｍａｎｃｅ，ｄｉｓｋＩＯｐｅｒｆｏｒｍａｎｃｅ，ａｎｄｎｅｔｗｏｒｋｂａｎｄｗｉｄｔｈ，ｔｏｍｅａｓｕｒｅｔｈｅｉｍｐｏｒｔａｎｃｅｏｆｖａｒｉｏｕｓｌｏａｄｉｎｄｉｃａｔｏｒｓｏｎｌｏａｄｅｖａｌｕａｔｉｏｎ．ＢａｓｅｄｏｎＮｇｉｎｘｗｅｉｇｈｔｅｄｒｏｕｎｄ－ｒｏｂｉｎａｌｇｏｒｉｔｈｍａｎｄｒｅａｌ－ｔｉｍｅｓｅｒｖｅｒｌｏａｄｃｏｎｄｉｔｉｏｎｓ，ａｄｙｎａｍｉｃｌｏａｄｂａｌａｎｃｉｎｇａｌｇｏｒｉｔｈｍｉｓｄｅｓｉｇｎｅｄｆｏｒｈｉｇｈ－ｃｏｎｃｕｒｒｅｎｃｙｌｏａｄｓｉｔｕａｔｉｏｎｓ．Ｂｙｉｎｔｒｏｄｕｃｉｎｇａｔｒａｎｓｆｏｒｍａｔｉｏｎｔｈｒｅｓｈｏｌｄｃａｌｃｕｌａｔｉｏｎ，ｔｈｅｉｍｐｒｏｖｅｄｃｕｃｋｏｏｓｅａｒｃｈａｌｇｏｒｉｔｈｍｆｏｒｉｎｆｏｒｍａｔｉｏｎｅｎｔｒｏｐｙｉｓｕｓｅｄｔｏｃａｌｃｕｌａｔｅｔｈｅｔｒａｎｓｆｏｒｍａｔｉｏｎｔｈｒｅｓｈｏｌｄｆｒｏｍＮｇｉｎｘｓｔａｔｉｃｗｅｉｇｈｔｅｄｒｏｕｎｄ－ｒｏｂｉｎａｌｇｏｒｉｔｈｍｔｏｄｙｎａｍｉｃｌｏａｄｂａｌａｎｃｉｎｇａｌｇｏｒｉｔｈｍ．ＴｈｅｅｘｐｅｒｉｍｅｎｔｓｉｌｌｕｓｔｒａｔｅｔｈａｔｃｏｍｐａｒｅｄｗｉｔｈｔｈｅＷＲＲａｌｇｏｒｉｔｈｍ，ｔｈｅｌｅａｓｔ－ｃｏｎｎａｌｇｏｒｉｔｈｍ，ａｎｄｔｈｅｄｙｎａｍｉｃｗｅｉｇｈｔａｌｇｏｒｉｔｈｍ，ｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｐｅｒｆｏｒｍｓｂｅｔｔｅｒｉｎｔｅｒｍｓｏｆｒｅｓｐｏｎｓｅｔｉｍｅａｎｄａｃｔｕａｌｃｏｎｃｕｒｒｅｎｃｙｗｉｔｈａｎｉｍｐｒｏｖｅｍｅｎｔｏｆａｒｏｕｎｄ１８％ｃｏｍｐａｒｅｄｔｏｔｈｅｄｙｎａｍｉｃｗｅｉｇｈｔａｌｇｏｒｉｔｈｍ．Ｔｈｉｓｖｅｒｉｆｉｅｓｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｈａｓｂｅｔｔｅｒｌｏａｄｂａｌａｎｃｉｎｇｅｆｆｅｃｔｉｖｅｎｅｓｓ．Ｋｅｙｗｏｒｄｓ：ｌｏａｄｂａｌａｎｃｉｎｇ；Ｎｇｉｎｘ；ｓｅｒｖｅｒｃｌｕｓｔｅｒ；ｉｍｐｒｏｖｅｄｃｕｃｋｏｏｓｅａｒｃｈａｌｇｏｒｉｔｈｍ；ｄｙｎａｍｉｃａｌｇｏｒｉｔｈｍ．基金项目：浙江省重点研发计划项目（２０２０Ｃ０３０９４）；浙江省教育厅一般科研项目（Ｙ２０２１４７６５９）；浙江省教育厅项目（Ｙ２０２２５０７０６）；浙江省基础公益研究计划项目（ＱＹ１９Ｅ０５０００３）㊂作者简介：李㊀民（１９９７－），男，硕士研究生，主要研究方向：计算机网络与分布式处理㊂收稿日期：２０２３－０３－０２０㊀引㊀言随着互联快速发展，用户增长数量爆发式增长趋势，对服务器提出了更高的要求㊂为提供服务器高性能和高可用性，服务器集群成为了高效和廉价的首选方案㊂在讨论服务器集群时，负载均衡问题成为了研究焦点㊂负载均衡技术通过均衡后端服务器的并发请求，将请求分发到多个服务器上，高效利用所有后端服务器，提高服务器集群性能［１］㊂Ｎｇｉｎｘ是高性能的反向代理服务器，内置很多传统负载均衡算法，如轮询㊁加权轮询㊁Ｉｐ＿Ｈａｓｈ㊁最小连接数等算法［２］㊂Ｎｇｉｎｘ自带内置负载均衡算法，在低并发请求下有着较好的作用㊂但在高并发请求下，由于服务器自身性能差异或者不同请求对资源消耗的不同［３］，静态负载均衡算法没有考虑到服务器的实时负载情况，可能造成资源分配不均等情况，使得服务器集群性能下降［４］㊂现有的负载均衡算法大致分为静态负载均衡算法和动态负载均衡算法两类［５］㊂静态负载均衡算法主要作用于服务器集群在简单的工作场景下，发挥一定的作用，但在愈发复杂的网络环境下（高并发㊁高负债），凸显许多问题㊂如：点到点式的静态算法在实际的网络环境中往往会产生大量错误的峰值点，导致最佳结果判定出错，容易造成负载不均衡［６］㊂近年来，在研究者们的努力下，中国在动态负载均衡研究方面亦取得了不错的进展㊂谭畅等［７］提出了一种云中心基于Ｎｇｉｎｘ的动态权重负载均衡算法，该算法基于加权轮询策略进行改进，考虑服务器本身硬件性能和工作负载情况设计权重，但该算法仅在高并发状态，无法体现低负载情况下算法的效率㊂李慧斌［８］通过基于预测阈值提出一种动态权值负载均衡算法，计算集群负载平衡度，以避免频繁修改权重造成服务器抖动，但算法每次都要预测阈值，当并发量较小时，预测算法反而增加了响应时间㊂胡逸飞等［９］提出通过改进遗传算法的负载均衡算法，改进遗传算法计算动静态负载均衡阈值，实现动静态算法的转化，但由于遗传算法的缺陷，可能导致陷入局部最优解的情况，影响算法整体的准确性［１０］，在高并发环境下影响效率㊂以上文献中的算法在实验环境的高负载情况下大都有一定的提升效果，但大多数算法均未考虑到在低负载情况下算法的效率高低问题，同时存在容易陷入局部负载计算最优解，导致服务器集群分配不均㊁负载不均衡等问题㊂为了解决当前负载均衡算法所存在的问题，本文提出了一种基于改进布谷鸟算法的自适应负载均衡算法㊂１㊀算法分析与设计１．１㊀服务器节点负载评价函数不同的评价指标对服务器的负载均衡判断有着巨大的影响，评价函数可以更加合理的评估服务器集群中每个节点的负载信息㊂本文的评价函数采用加权和法，通过服务器节点的各个负载指标以及对应的权重系数所构成的评价函数㊂根据文献和实验，使用各个服务器节点的ＣＰＵ使用率㊁内存㊁磁盘ＩＯ和网络带宽作为集群负载评价指标［１１］㊂由负载评价指标与不同指标的权重系数得出服务器负载评价指标函数，式（１）：ｆ（ｘｉ）＝ðｎｊ＝１ｗｊｘｉｊ（１）㊀㊀其中，Ｘｉｊ为各负载指标；ｉ表示集群中的第ｉ个节点；ｊ表示节点中的第ｉ个指标；ｗｊ是各个负载指标中的权重系数，ｊ＝１，２， ，ｎ㊂本文使用Ｌｃｐｕ表示ＣＰＵ使用率，Ｌｍ表示内存使用率，ＬＩＯ表示内存使用率，ＬＮ表示网络带宽使用率㊂使用ｋｃｐｕ㊁ｋｍ㊁ｋｉｏ㊁ｋｎ分别表示ＣＰＵ㊁内存㊁磁盘ＩＯ和网络带宽权重系数㊂满足：ｋｃｐｕ＋ｋｍ＋ｋｉｏ＋ｋｎ＝１，对于每个节点Ｓｉɪ｛Ｓ１，Ｓ２，Ｓ３ Ｓｎ｝（ｎ＞１），服务器ＳＬ（Ｓｉ）ɪ｛ＳＬ（Ｓ１），ＳＬ（Ｓ２），ＳＬ（Ｓ３） ＳＬ（Ｓｉ）｝（ｎ＞１），节点负载评价函数为式（２）：㊀ＳＬ（Ｓｉ）＝ｋｃｐｕＬｃｐｕ（Ｓｉ）＋ｋｍＬｍ（Ｓｉ）＋ｋｉｏＬｉｏ（Ｓｉ）＋ｋｎＬｎ（Ｓｉ）（２）权重系数的取值通过熵权法确定，熵权法在构建评价指标中的因子权重环节，作为客观评价赋权法得到了广泛的应用㊂通过计算熵值来判断负载指标的离散程度，衡量负载指标对负载综合评价的影响［１２］㊂负载指标的离散程度越大，对应着该指标的权重就越大㊂熵权法确定负载权重指标的步骤如下：（１）计算第ｊ项负载评价指标下，第ｉ台服务器值占该指标的比重，式（３）：Ｐｉｊ＝ｘｉｊðｍｉ＝１Ｘｉｊ（３）㊀㊀其中，Ｘｉｊ为正向指标或负向指标㊂对于正向指标而言，数值越高则评价结果越好；负向指标则相反㊂对ｍ进行数据的归一化处理，Ｐｉｊ根据数值数据标准得出㊂（２）计算第ｊ项熵值，式（４）：ｅｊ＝－ｋðｍｉ＝１ｐｉｊｌｎ（ｐｉｊ）（４）㊀㊀其中，ｋ＝１／ｌｎ（ｍ）＞０，ｊ＝１，２， ，ｎ；满足ｅｊȡ０；（３）计算各项负载指标的权重系数，式（５）：φｊ＝ｈｊðｎｊ＝１ｈｊ（５）㊀㊀其中，ｈｊ为信息熵冗余度，值为ｈｊ＝１－ｅｊ，ｊ＝１，２， ，ｎ㊂通过求解上述权重模型，得到各个负载评价指标的权重系数，计算出服务器负载指标的权重系数ｋｃｐｕ㊁ｋｍ㊁ｋｉｏ㊁ｋｎ㊂１．２㊀动态负载均衡算法设计本文基于服务器节点负载评价函数（式（２）），设计出一种在高负载情况下的动态自适应负载均衡１５１第２期李民：基于改进布谷鸟算法的自适应负载均衡算法算法，其算法步骤描述如下：（１）在任务请求到达前，系统根据集群服务器节点的ＣＰＵ㊁内存等性能指标，计算每个服务器节点的处理任务能力，并设置一个初始权值大小㊂权值越大表示节点性能越强，反之权值越小则表示节点性能较低㊂权值决定着服务器集群应将任务分配到哪个节点，实现负载均衡的关键在于调整节点的权值㊂（２）对于如何将请求分配到服务器某个节点，则需根据自适应动态负载均衡算法的特点，需基于各节点的实时负载情况和服务器硬件性能进行分配算法逻辑的更新㊂对每个节点Ｓｉɪ｛Ｓ１，Ｓ２，Ｓ３ Ｓｎ｝（ｎ＞１），使用Ｗ（Ｓｉ）表示第Ｓｉ个节点的默认初始权重㊂初始默认权值大小由节点初始硬件性能指标决定㊂采用负载监控采集模块收集服务器各个节点的负载情况，ＳＬ（Ｓｉ）负载评价函数表示节点负载情况㊂权值频繁更新易造成服务器集群抖动，准确的权值调整会使集群负载更均衡，进一步增强集群稳定性㊂在此引入节点资源利用率Ｐｉ，其定义如下：Ｐｉ＝ＵｉＷ（Ｓｉ）（６）㊀㊀其中，Ｕｉ是Ｓｉ节点根据ＳＬ（Ｓｉ）函数的实时负载情况，Ｗ（Ｓｉ）是当前节点的权值㊂负载均衡度σ可以很好地反映当前服务器集群负载均衡情况，σ值越小，集群负载均衡程度越好；反之，则集群负载越不均衡，需重新调整权值大小，负载均衡度σ定义如下：σ＝１ｎðｎｉ＝１（Ｐｉ－Ｐａｖｇ）２（７）㊀㊀其中，Ｐａｖｇ表示集群资源利用率的平均值，计算如下：λ＝Ｐａｖｇˑｋ１＋Ｍˑｋ２（８）式中：Ｍ表示集群离散程度，计算公式为：Ｍ＝Ｍｍａｘ－σ；Ｍｍａｘ由集群中服务器节点综合负载的最大离散值得出，计算公式为：Ｍｍａｘ＝ｍａｘ｛Ｐｉ｜ｉ＝１，２， ，ｎ｜｝－Ｐａｖｇ㊂相关系数ｋ１＋ｋ２＝１㊂因此，负载离散阈值λ范围在（０，１］，从而根据λ反映出当前服务器集群负载离散状态㊂λ越大，说明当前服务器集群负载离散度越大，反之则说明服务器集群负载离散度较低㊂（３）设置负载监控采集模块来收集节点的负载信息㊂负载监控采集模块通过对服务器节点上在时间段Ｔ内的信息收集，用以计算负载均衡阈值λ是否超过设定阈值，当本次计算的λ小于设定阈值，则将不调整节点的权值，反之则调整权值大小，以此来避免集群抖动，从而增强集群的负载均衡㊂当调整权值时，服务器集群将服务器节点的负载评价指标和初始权重作为依据㊂本文将自适应算法设计成动态加权轮询算法，Ｗｄｅ（Ｓｉ）表示第Ｓｉ个节点的默认初始权重，根据服务器节点的硬件性能指标决定，Ｗ（Ｓｉ）表示第Ｓｉ个节点的剩余负载权重即第Ｓｉ节点的实时权重㊂权重越大，则该节点被分配到的请求的概率越大㊂节点的实时权重根据Ｗ（Ｓｉ）和负载评价函数计算如下：Ｗ（Ｓｉ）＝Ｗｄｅ（Ｓｉ）（１－Ｕｉ）ðｎｉ＝１Ｗｄｅ（Ｓｉ）（９）㊀㊀在高负载情况下，使用动态加权轮询的负载均衡算法，考虑了当前节点的负载评价指标与实时性能利用率及阈值，使其分配更加合理，负载更均衡，防止集群抖动㊂１．３　基于改进布谷鸟算法的转换阈值计算本文根据文献研究和进行相应实验对比后发现，Ｎｇｉｎｘ作为后端服务器集群在高并发㊁高负载状态下，动态加权轮询负载均衡算法有着较明显的优势；而在低负载状态下，由于服务器在负载调度㊁节点信息收集等方面会消耗一定资源㊂这类资源在高并发㊁高负载状态下，资源的消耗微不足道，但是在低负载情况下，占用了相对较大的资源空间㊂而静态负载均衡算法因其算法分配逻辑简单，对资源消耗较少，对于集群在低负载状态下有着更良好的适用效果㊂因此，需计算静态负载均衡算法适用区间到动态负载均衡算法并发量的负载值，即转化阈值Ｔ㊂本文对布谷鸟算法进行研究分析后，提出一种基于改进的自适应布谷鸟算法，将该算法作用于静动态转换阈值的计算㊂布谷鸟算法作为元启发式智能搜索算法，通过模糊逻辑推理，将搜索空间划分为若干个子空间，然后在每个子空间中进行搜索，最终找到最优解［１３］㊂其基本原理是通过模拟布谷鸟鸟巢寄生繁衍，采用一个随机生成的种群，利用列维飞行机制（ＬｅｖｙＦｌｉｇｈｔ）有效地求解最优化问题㊂其流程和计算步骤如下：（１）初始化布谷鸟种群，设置最大迭代次数㊁种群规模㊁搜索空间维度，随机产生Ｎ个鸟巢，并根据适应度函数计算，将布谷鸟及寄生的鸟巢位置映射２５１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１４卷㊀成种群空间中的解Ｆ（Ｓｉ）＝（ｆ１，ｆ２， ，ｆＮ），同时记录最优解Ｆｂｅｓｔ㊂（２）全局利用列维飞行进行解的位置更新，获取新的候选解位置，利用贪心选择策略保留更好的解㊂通过适应度函数计算对比，获得当前最优适应度的解Ｆｂｅｓｔ，从而计算出静动态转换阈值㊂（３）完成全局探索后，在当前解的基础上，采用偏好随机游走的方式完成局部搜索㊂根据可寄生的鸟巢数量Ｎ为固定值，鸟巢被宿主发现的概率为Ｐａɪ［０，１］，Ｐａ的取值为０．２５［１４］，随机生成一个随机数ｒ，通过ｒ与Ｐａ的比较，若Ｐａ小于ｒ，意味该解为较差解，则产生新的解替代被宿主发现所丢弃的解㊂（４）若满足终止条件，则输出Ｆｂｅｓｔ；否则，继续进行迭代㊂布谷鸟算法基于Ｌｅｖｙ飞行［１５］的公式，式（１０）：ｘｔ＋１＝ｘｔｉ＋ｒˑαˑＬｅｖｙ（λ）ˑ（ｘｔｂｅｓｔ－ｘｔｉ）（１０）㊀㊀其中，α为列维飞行的步长，ｒɪ［０，１］的均为随机数，其中ｘｉ表示第ｉ个布谷鸟在第ｔ代时选择的寄生巢的位置，ｘｂｅｓｔ表示当前最优解㊂布谷鸟算法通过列维飞行方式，使得算法具有很强的全局搜索能力，以达到获得全局最优解的目的㊂然而，由于自身存在早熟收敛，优化精度不高从而易陷入局部最优［１６］㊂基于此问题，本文选择了一种基于种群分布熵对步长控制因子α进行改进，熵为某一系统体系混乱程度的度量，种群熵为算法寻优过程中种群分布混乱程度的度量，Ｓｊ表示布谷鸟种群在寻优搜索空间中的分布熵，表达式如下：Ｓｊ＝－ðＫｉ＝１ｎｉＮｌｎｎｉＮ（１１）㊀㊀将空间分为Ｋ个搜索空间，每个空间含有ｎｉ（ｉ＝１，２， ，Ｋ）㊂Ｓ越大，则种群越分散，表明算法未收敛，需要较大的更新步长进行全局搜索；Ｓ越小，则种群越集中，表明算法开始收敛，需要较小的更新步长进行局部搜索㊂对α步长因子进行改造，表达式如下：α＝θ㊃Ｓｊ－Ｓｍｉｎ２（Ｓｍａｘ－Ｓｍｉｎ）（１２）㊀㊀其中，Ｓｍａｘ㊁Ｓｍｉｎ分别为分布熵理论最大值㊁最小值，θ为调整参数㊂计算步长控制因子的取值范围为αɪ［０，θ㊃ｌｎＫ２ｌｎＮ］㊂令α在［０，１］区间内变化，则θ＝ｌｎＫ２ｌｎＮ㊂然而，当全部种群聚集在同一区域内，意味着分布熵Ｓ＝０，则令步长控制因子α＝１Ｋ，使得算法无法再继续更新㊂通过分布熵这种非线性变化自适应的方式，使得种群熵也随之变化（从大到小），代表了种群在寻优过程中，能以较快的收敛速度收敛，同时不易陷入局部最优，更大概率获得全局最优解㊂根据负载均衡算法及改进布谷鸟算法的目的，来确定适应度函数㊂本文根据１．１节中的服务器节点负载评价指标ＳＬ（Ｓｉ）作为适应度函数的选择标准，使用１．２节中的动态负载均衡算法作为方法之一；根据文献［１７］，引入最小熵原理，最终确定适应度函数，其式如下：Ｆ（Ｓｉ）＝ðＮｉ＝１∂Ｕ∂ｔ㊃ｋ（Ｕｉ－Ｕ０）Ｕ０－ðＮｉ＝０Ｗ（Ｓｉ）２（１３）㊀㊀其中，Ｕｉ是节点Ｓｉ的服务器节点负载指标；Ｕ０是服务器集群根据初始硬件负载指标；ｋ为热力学常量；Ｗ（Ｓｉ）是节点Ｓｉ根据计算所得权值㊂根据适应度函数的构建得出目标优化函数，通过寻找目标优化函数的零值解，意味着找到种群的最优解，从而计算出服务器动静态算法转化阈值Τ㊂本文通过改进布谷鸟算法对服务器集群负载评价指标的适应度函数的计算，使布谷鸟种群跳出局部最优解，朝全局最优解的方向迭代计算，最终找出全局最优解，即找出服务器集群从静态负载均衡算法转化为动态负载均衡算法的最优阈值Ｔ㊂１．４　总动静态负载均衡算法基于熵权法计算指标权重及布谷鸟算法的改进与运用等，提出一种基于改进布谷鸟算法和Ｎｇｉｎｘ平台的动静态结合的负载均衡算法，其关键点在于找出动静态转化的最优阈值㊂通过服务器设置负载监控采集模块，依据所监控的服务器集群负载情况信息，判断是否小于转化阈值Ｔ㊂若小于，则采用静态加权轮询算法；否则，则采用自适应动态加权轮询算法㊂同时，根据监控服务器集群的各个节点的负载信息，若负载变化大于负载均衡阈值λ，则改变权值大小，反之则不改变㊂从而来获得更好的服务器集群负载均衡效果㊂算法流程如图１所示㊂３５１第２期李民：基于改进布谷鸟算法的自适应负载均衡算法集群(种群)初始化，进行权重系统与性能指标计算根据集群性能参数指标计算转化阈值，初始算法权值接受客户端请求采用静态负载均衡算法判断集群负载是否超过阈值否采用自适应动态加权轮询算法是根据实时负载情况调整节点权重根据权值将请求分配给节点结束开始图１㊀算法流程Ｆｉｇ．１㊀Ａｌｇｏｒｉｔｈｍｆｌｏｗｃｈａｒｔ２㊀实验和结果分析２．１㊀实验环境本文通过在虚拟机中搭建八台服务器，其中一台作为客户端测试连接，用于某学工系统；一台作为Ｎｇｉｎｘ反向代理服务器；其余６台作为后台服务器，从而达到搭建服务器集群系统的目的㊂实验环境相关参数见表１㊂表１㊀实验主要参数配置Ｔａｂｌｅ１㊀Ｍａｉｎｐａｒａｍｅｔｅｒｃｏｎｆｉｇｕｒａｔｉｏｎｏｆｔｈｅｅｘｐｅｒｉｍｅｎｔ服务器类型ＣＰＵ／ＧＨｚ内存／ＧＩＯ／（ＭＢ㊃ｓ－１）带宽／Ｍ数量客户端３．６８４００５０１反向代理服务器３．６４４００５０１后端３．６８４００５０３服务器２．８４３００２０３㊀㊀本文采用Ｓｉｅｇｅ性能压测工具，用ＰＴＳ模拟出大量用户访问业务的真实场景，同时进行各个服务器节点的数据采集，服务器节点每隔４ｓ上传一次节点负载情况㊂为检测算法性能，采取并发模式进行压测，设置每次不断增加１０％－２０％的并发请求数㊂２．２㊀实验结果分析本文算法结合静态负载均衡算法和动态负载均衡算法，因此实验中分别对Ｎｇｉｎｘ默认加权轮询算法（ＷＲＲ算法）和最小连接数算法（ｌｅａｓｔ－ｃｏｎ），亦选取文献［８］的动态权重算法进行对比㊂通过文献和资料收集，本文采取在不同并发请求数下的平均响应时间和实际连接数评价算法性能优劣的指标㊂进行１０次实验，得到各个算法的平均响应时间和实际连接数，并且对实验数据取均值，测试结果如图２㊁图３所示㊂100200300400500600700800900100011001200130014001500 96088080072064056048040032024016080平均响应时间/ms并发请求数WR Rl e a s t-c o n动态权重本文算法图２㊀算法响应时间与并发数关系图Ｆｉｇ．２㊀Ｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎａｌｇｏｒｉｔｈｍｒｅｓｐｏｎｓｅｔｉｍｅａｎｄｃｏｎｃｕｒｒｅｎｃｙｎｕｍｂｅｒ100200300400500600700800900100011001200130014001500并发请求数WR Rl e a s t-c o n动态权重本文算法1000900800700600500400300200100实际并发连接数图３㊀算法请求并发数与实际并发数关系Ｆｉｇ．３㊀Ｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎａｌｇｏｒｉｔｈｍｃｏｎｃｕｒｒｅｎｔｒｅｑｕｅｓｔｓａｎｄａｃｔｕａｌｃｏｎｃｕｒｒｅｎｔｎｕｍｂｅｒｓ㊀㊀从图２可以看出，算法平均响应时间随着并发数的增加而增长㊂当并发数在７００之前，ＷＲＲ和本文算法相对响应时间较短，各算法响应时间没有太大区别㊂并发数在７００以后，ＷＲＲ和ｌｅａｓｔ－ｃｏｎ算法响应时间开始随着并发数的增大而大幅增长㊂并发数在１１００以后，动态权重和本文算法开始大幅４５１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１４卷㊀增长，但相较于ＷＲＲ算法和ｌｅａｓｔ－ｃｏｎ算法，仍有着明显优势㊂在并发数为１５００时，相较于动态权重响应时间降低了１８％㊂总体来看，本文算法在高并发情况下的响应时间相比其他算法更低㊁时间最短，表明本文算法在高并发情况下更能合理分配请求㊂从图３可以看出，ＷＲＲ算法和ｌｅａｓｔ－ｃｏｎ算法在并发请求数达到７００以后，实际并发连接数开始丢失；动态权重算法和本文算法在并发请求数达到１０００以后开始丢失㊂相较于ＷＲＲ算法和ｌｅａｓｔ－ｃｏｎ算法，本文算法明显高于前二者；相较于动态权重算法，本文算法的并发连接数在１０００－１５００的区间下，实际响应数均高于动态权重算法１２％左右㊂综上实验结果，表明本文提出的基于改进布谷鸟算法的Ｎｇｉｎｘ负载均衡算法在低负载情况下，有着更低的平均响应时间；在高并发㊁高负载情况下，相较于ＷＲＲ算法㊁ｌｅａｓｔ－ｃｏｎ算法以及动态权重算法有更良好的实际并发连接数和更低的响应时间，达到了更好的负载均衡效果㊂３　结束语为实现服务器集群在高并发情况下具有良好的负载均衡效果，本文基于熵权法对各个硬件指标权重计算，综合ＣＰＵ性能㊁ＩＯ性能㊁内存㊁带宽等负载评价指标，根据监控服务器节点负载情况，自适应修改节点权值大小㊂通过改进布谷鸟算法计算动静负载均衡转换阈值，提出一种基于改进布谷鸟算法的动静态结合的负载均衡算法㊂实验结果表明，本算法能够合理分配请求到服务器节点，有效降低平均响应时间和提高实际并发连接数，提高服务器集群负载均衡效果㊂参考文献［１］嵇小飞．Ｗｅｂ服务器集群系统的自适应负载均衡调度［Ｊ］．中小企业管理与科技（中旬刊），２０１６（６）：１５３－１５４．［２］陈大才．基于Ｎｇｉｎｘ的高并发访问服务器的研究与应用［Ｄ］．沈阳：中国科学院沈阳计算技术研究所，２０１８．［３］刘佳祎，崔建明，智春．基于Ｎｇｉｎｘ服务器的动态负载均衡策略［Ｊ］．桂林理工大学学报，２０２０，４０（２）：４０３－４０８．［４］ＫａｓｈｉｆＨｕｓｓａｉｎ，ＭｏｈｄＮａｊｉｂＭｏｈｄＳａｌｌｅｈ，ＹｕｌｉＡｄａｍＰｒａｓｅｔｙｏ，ｅｔａｌ．Ｐｅｒｓｏｎａｌｂｅｓｔｃｕｃｋｏｏｓｅａｒｃｈａｌｇｏｒｉｔｈｍｆｏｒｇｌｏｂａｌｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｎＡｄｖａｎｃｅｄＳｃｉｅｎｃｅ，ＥｎｇｉｎｅｅｒｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，２０１８，８（４）：１２０９－１２１７．［５］葛钰，李洪赭，李赛飞．一种ｗｅｂ服务器集群自适应动态负载均衡设计与实现［Ｊ］．计算机与数字工程，２０２０，４８（１２）：３００２－３００７．［６］ＨａｒｉｋｅｓｈＳｉｎｇｈ，ＳｈｉｓｈｉｒＫｕｍａｒ．Ｄｉｓｐａｔｃｈｅｒｂａｓｅｄｄｙｎａｍｉｃｌｏａｄｂａｌａｎｃｉｎｇｏｎｗｅｂｓｅｒｖｅｒｓｙｓｔｅｍ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＳｙｓｔｅｍＤｙｎａｍｉｃｓＡｐｐｌｉｃａｔｉｏｎｓ（ＩＪＳＤＡ），２０１２，１（２）：１５－２７．［７］谭畅，谭歆，胡磊，等．云中心基于Ｎｇｉｎｘ的动态权重负载均衡算法［Ｊ］．重庆邮电大学学报（自然科学版），２０２１，３３（６）：９９１－９９８．［８］李慧斌，何利力．基于预测阈值的动态权值负载均衡算法［Ｊ］．软件导刊，２０２０，１９（６）：８５－８９．［９］胡逸飞，包梓群，包晓安．一种基于改进遗传算法的动静态负载均衡算法［Ｊ／ＯＬ］．电子科技：１－７［２０２３－０３－０１］．［１０］傅文渊．具有万有引力加速机理的布谷鸟搜索算法［Ｊ］．软件学报，２０２１，３２（５）：１４８０－１４９４．［１１］李坤．基于动态反馈机制的服务器负载均衡算法研究［Ｊ］．电子科技，２０１５，２８（９）：４５－４９．［１２］ＷＥＩＸｉｎｇ，ＹＡＮＧＨｕａ，ＨＵＡＮＧＷｅｎｔａｏ．Ａｇｅｎｅｔｉｃ－ａｌｇｏｒｉｔｈｍ－ｂａｓｅｄｏｐｔｉｍｉｚａｔｉｏｎｒｏｕｔｉｎｇｆｏｒＦＡＮＥＴｓ［Ｊ］．ＦｒｏｎｔｉｅｒｓｉｎＮｅｕｒｏｒｏｂｏｔｉｃｓ，２０２１，１５：６９７６２４．［１３］张燕，袁书卷．基于信息熵的布谷鸟搜索算法［Ｊ］．西安文理学院学报（自然科学版），２０２２，２５（４）：１７－２２，３６．［１４］ＷＡＮＧＷｅｎ，ＸＩＥＣｏｎｇ．Ａｃｕｃｋｏｏｓｅａｒｃｈａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｓｅｌｆ－ａｄｊｕｓｔｍｅｎｔｓｔｒａｔｅｇｙ［Ｊ］．ＪｏｕｒｎａｌｏｆＰｈｙｓｉｃｓ：ＣｏｎｆｅｒｅｎｃｅＳｅｒｉｅｓ，２０１８，１０８７（２）：０２２００３．［１５］ＡＬＨＡＩＤＡＲＩＦ，ＢＡＬＨＡＲＩＴＨＴＺ．Ｅｎｈａｎｃｅｄｒｏｕｎｄ－ｒｏｂｉｎａｌｇｏｒｉｔｈｍｉｎｔｈｅｃｌｏｕｄｃｏｍｐｕｔｉｎｇｅｎｖｉｒｏｎｍｅｎｔｆｏｒｏｐｔｉｍａｌｔａｓｋｓｃｈｅｄｕｌｉｎｇ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ，２０２１，１０（５）：６３．［１６］刘洪达，李德全，王栋．基于种群熵的变步长布谷鸟搜索算法［Ｊ］．计算机仿真，２０２２，３９（９）：３７０－３７６．［１７］高晶，李元香，纪道敏，等．基于最小熵产生选择策略的遗传算法研究［Ｊ］．计算机应用与软件，２０１９，３６（１０）：２３８－２４４，３０４．５５１第２期李民：基于改进布谷鸟算法的自适应负载均衡算法。

自适应调整的布谷鸟搜索K-均值聚类算法
Wang Rihong;Cui Xingmei;Li Yongjun
【期刊名称】《计算机应用研究》
【年(卷),期】2018(035)012
【摘要】针对布谷鸟搜索(CS)算法后期收敛速度慢,传统K-均值算法对初始簇中心选择比较敏感,提出了一种自适应调整的布谷鸟搜索及优化初始K-均值聚类算法(CSSA-OIKM).首先,由集群度与距离均衡优化选择初始簇中心;其次,融合粒子群算法思想,遵循自适应优化学习策略以均衡CS算法全局与局部精细搜索能力;最后,在改进CS算法的基础上引入自适应度调节步长因子与动态变化发现概率,增强算法收敛性能.通过对经典数据集的仿真实验分析,相比K-均值算法、PSO-K-均值算法及CS-K-均值算法来说,提出的CSSA-OIKM算法能有效提高聚类精确性,且算法稳定性好.
【总页数】5页(P3593-3597)
【作者】Wang Rihong;Cui Xingmei;Li Yongjun
【作者单位】
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.采用k-均值聚类算法的资源搜索模型研究 [J], 邵必林;边根庆;张维琪;闫瑾
2.基于自适应布谷鸟搜索算法的K-means聚类算法及其应用 [J], 杨辉华;王克;李
灵巧;魏文;何胜韬
3.自适应布谷鸟搜索的并行K-means聚类算法 [J], 王波;余相君
4.基于改进引力搜索的混合K-调和均值聚类算法研究 [J], 王彩霞
5.基于距离阈值的自适应K-均值聚类算法 [J], 曾庆山;张贵勇
因版权原因，仅展示原文概要，查看原文内容请购买。

自适应步长的布谷鸟搜索算法
1、在标准的布谷鸟优化算法中，利用莱维飞行随机产生步长，不利于计算。

当步长较小时，会降低搜索速度，但步长较大时，会降低搜索精度，因此提出了自适应步长的布谷鸟搜索算法，该算法根据不同阶段的搜索结果，自适应的调整步长的大小
2、引入公式
3、自适应步长公式：
4、当第i个鸟巢的位置离最优位置近时，减小步长，距离远时则增大步长。

依据上一次的迭代结果来调整步长，实现了步长的自适应调整，使得改进后的自适应步长的布谷鸟搜索算法拥有较快的收敛速度和较好的寻优结果。

5、问题：那么步长到底应该多大啊？一般定义这个步长是如何定义的。

6、难道最优位置事先是知道的吗？。

基于退火狼群算法的小波加权多模盲均衡算法优化郑亚强【摘要】为解决小波加权多模盲均衡算法在实现水声信道均衡的过程中,由于采用随机梯度下降法最小化非凸性代价函数,而导致的收敛速度慢和稳态误差大等问题,本文提出了基于退火狼群算法优化的小波加权多模盲均衡算法.该算法将模拟退火算法嵌入狼群围攻行为结束后和狼群发生更新之前,增强基本狼群算法的全局寻优能力,利用其最小化小波加权多模盲均衡算法中的非凸性代价函数.仿真结果表明,本文算法与小波加权多模盲均衡算法以及基本狼群算法优化的小波加权多模盲均衡算法相比,具有收敛迅速、稳态误差小,星座图更清晰等优点.【期刊名称】《安徽科技学院学报》【年(卷),期】2019(033)003【总页数】8页(P66-73)【关键词】多模盲均衡;狼群算法;模拟退火;小波变换;最优权向量【作者】郑亚强【作者单位】淮南联合大学机电系,安徽淮南 232001【正文语种】中文【中图分类】TN911在无线通信系统中,传输带宽有限以及传输环境复杂会导致码间的串扰,引起信号失真,影响通信质量。

在接收端引入盲均衡技术可以最大程度地恢复原始发送信号[1]解决这一问题,与传统的均衡技术不同,盲均衡技术不需要发送已知的训练序列来跟踪信道变化,不仅提高了传输效率,节约了带宽,而且在一些如地震信号处理、医学影像传输、军事侦察等特殊领域,盲均衡是唯一可行的均衡方式[2]。

其中的Bussgang类盲均衡算法只需发送信号统计特征的先验信息和过信道的数据来恢复原始信号。

1975年Godard提出的常数模盲均衡算法(Constant Modulus Algorithm,CMA),复杂度低且鲁棒性强,被广泛应用,但CMA对于高阶正交振幅调制(Quadrature Amplitude Modulation,QAM)信号以及正交相移键控(Amplitude phase shift keying,APSK)信号均衡效果不好,并且很容易发生信号相位旋转。