劉先旺 李華龍 李淼

摘要：為了分析層疊式密閉蛋雞舍多環(huán)境因子對蛋雞產(chǎn)蛋性能的影響，提出基于布谷鳥搜索算法和BP神經(jīng)網(wǎng)絡(luò)的雞舍環(huán)境因子與產(chǎn)蛋性能關(guān)系回歸模型。選取主要環(huán)境影響因子參數(shù)（溫度、濕度、二氧化碳、風(fēng)速、光照、氨氣）作為輸入量，雞的產(chǎn)蛋量作為輸出量，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)基本模型。針對BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值的缺陷，對算法提出改進(jìn)，采用布谷鳥搜索算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)，建立雞舍小氣候環(huán)境因子與產(chǎn)蛋性能關(guān)系回歸模型。通過具體試驗對CS-BPNN性能進(jìn)行測試。試驗結(jié)果表明，相對于GA-BPNN、PSO-BPNN等對比模型，CS-BPNN提高了擬合精度，能夠更加準(zhǔn)確地反映雞舍環(huán)境因子與產(chǎn)蛋性能的關(guān)系。

關(guān)鍵詞：雞舍環(huán)境;雞產(chǎn)蛋量;產(chǎn)蛋性能;回歸模型;BP神經(jīng)網(wǎng)絡(luò);布谷鳥算法;擬合精度;預(yù)測效果

中圖分類號： S831.4+5? 文獻(xiàn)標(biāo)志碼： A? 文章編號：1002-1302（2019）11-0267-04

隨著我國蛋雞養(yǎng)殖業(yè)的發(fā)展，蛋禽業(yè)已成為了畜牧業(yè)發(fā)展中的主導(dǎo)產(chǎn)業(yè)之一，它對提高人們生活水平有著重要的作用[1]。層疊式蛋雞籠養(yǎng)以其具有土地面積利用率高、人均蛋雞飼養(yǎng)數(shù)高等優(yōu)點，而受到了人們的青睞。為了擺脫養(yǎng)殖環(huán)境對外界氣候的依賴，我國的雞舍類型也由最初的開放式雞舍基本轉(zhuǎn)變?yōu)槊荛]式雞舍。隨著集約化養(yǎng)殖技術(shù)的發(fā)展，規(guī)?；B(yǎng)殖模式下雞舍暴露出的環(huán)境問題也層出不窮[2]。而冬季雞舍環(huán)境問題相對于春、夏、秋3季更為突出。密閉式雞舍在冬季存在低溫、高濕、氨氣濃度高等問題，并且溫度、濕度和氣流等溫?zé)岘h(huán)境因素是影響動物生理機(jī)能、生產(chǎn)性能和健康的關(guān)鍵因素[3]。據(jù)研究發(fā)現(xiàn)，冬季蛋雞的產(chǎn)蛋率較正常水平低5%～10%[4]。

由于雞舍環(huán)境參數(shù)多且多因子間作用機(jī)理復(fù)雜，雞舍環(huán)境對蛋雞的產(chǎn)蛋性能影響缺乏多因素評價指標(biāo)，因此需要建立可直接應(yīng)用于雞舍環(huán)境調(diào)控的多因子耦合環(huán)境評價模型，探尋雞舍環(huán)境因子與產(chǎn)蛋性能的關(guān)系，為集約化蛋雞養(yǎng)殖環(huán)境調(diào)控提供科學(xué)的理論研究方法。近年來很多學(xué)者針對雞舍環(huán)境對產(chǎn)蛋性能的影響做了許多研究，西北農(nóng)林大學(xué)高騰等測定了八層層疊式蛋雞舍四季不同環(huán)境控制模式下的雞舍多種環(huán)境參數(shù)以及雞群的經(jīng)濟(jì)性狀指標(biāo)[5]。周可嘉等對八層層疊式蛋雞舍不同位置的環(huán)境參數(shù)和相應(yīng)的蛋雞生產(chǎn)性能進(jìn)行測定，利用主成分分析法分析得出冬春季超大規(guī)模雞舍的環(huán)境綜合評價指數(shù)，作為對雞舍環(huán)境綜合評價的依據(jù)[6]。但該方法是把層疊式雞舍環(huán)境多個參數(shù)指標(biāo)化為少數(shù)幾個互不相關(guān)的綜合指標(biāo)的多元統(tǒng)計方法，可能會因降維丟失含有配對樣本差異的重要信息，影響雞舍環(huán)境綜合評價準(zhǔn)確性。查凌雁等對冬季雞舍內(nèi)環(huán)境因子與產(chǎn)蛋率的相關(guān)性進(jìn)行了分析[7]，該研究只考慮了溫度、風(fēng)速、氨氣濃度3個環(huán)境影響因子，沒有對濕度、二氧化碳等因素做全面分析。

針對以上不足，本研究通過對密閉式雞舍冬季小氣候環(huán)境參數(shù)進(jìn)行檢測，采用BP神經(jīng)網(wǎng)絡(luò)建立雞舍小氣候環(huán)境因子與產(chǎn)蛋性能關(guān)系回歸模型，探討冬季層疊式密閉蛋雞舍多環(huán)境因子與蛋雞產(chǎn)蛋性能之間的關(guān)系，以期為密閉式蛋雞舍冬季環(huán)境調(diào)控與管理提供理論依據(jù)。

BP神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和逼近任意非線性系統(tǒng)的能力，采用BP人工神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建的非線性評價模型，避免人為確定各指標(biāo)的權(quán)重帶來的主觀性，能夠滿足多因子耦合評價的要求，適合用于雞舍復(fù)雜環(huán)境的建模。但是BP神經(jīng)網(wǎng)絡(luò)由于自身算法的原因，誤差收斂速度慢，易陷入局部極小值[8]。因此，學(xué)者們提出采用遺傳算法、粒子群算法、模擬退火算法、蟻群算法等對BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化[9-12]，能夠改善神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)和收斂速度慢的缺陷，提高了預(yù)測效果。本研究為了提高雞舍環(huán)境因子與產(chǎn)蛋性能關(guān)系回歸模型的擬合精度，提出了布谷鳥算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的改進(jìn)方法，通過與BP神經(jīng)網(wǎng)絡(luò)、遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)、粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)對比，發(fā)現(xiàn)布谷鳥算法優(yōu)化神經(jīng)網(wǎng)絡(luò)方法速度更快、精度更高，從而能夠更加準(zhǔn)確地探尋冬季雞舍環(huán)境因子與產(chǎn)蛋性能的關(guān)系。

1 雞舍監(jiān)測試驗

1.1 試驗方案

試驗雞舍為金安禽業(yè)（安徽省安慶市宿松縣）密閉式蛋雞舍。飼養(yǎng)品種為海蘭褐蛋雞，22～25周齡，養(yǎng)殖規(guī)模為 15 500羽。雞舍屋脊走向為南北方向，長度92 m，跨12 m，高度2.80 m。在測試期間，采用側(cè)窗進(jìn)風(fēng)、縱向風(fēng)機(jī)排風(fēng)的通風(fēng)方式，采用自動喂料系統(tǒng)，自由采食飲水。刮糞板自動清糞，每日清糞1次，2～3 d消毒1次。

測量對象：（1）環(huán)境參數(shù)：溫度，濕度，二氧化碳，風(fēng)速，光照，氨氣。（2）產(chǎn)蛋量：每天人工記錄各試驗組籠架的產(chǎn)蛋數(shù)、蛋質(zhì)量和存欄數(shù)。

測量時間：12月17日至1月20日（35 d），每天測量3次：07：00—09：00、13：00—15：00、18：00—20：00。

環(huán)境參數(shù)測量方法：雞舍結(jié)構(gòu)為三列四走道，每個走道按上、中、下、前、中、后分布9個監(jiān)測點，每個監(jiān)測點監(jiān)測6個雞籠。雞舍環(huán)境監(jiān)測點分布如圖1所示。

雞蛋測量方法：雞蛋每天收蛋前測1次，統(tǒng)計每個監(jiān)測點的雞蛋總數(shù)量和總質(zhì)量，除以該監(jiān)測點的雞的數(shù)量，算出平均每只雞的產(chǎn)蛋量。

1.2 數(shù)據(jù)選取及預(yù)處理

經(jīng)過以上的試驗監(jiān)測可以得到雞舍內(nèi)各監(jiān)測點每天3組環(huán)境數(shù)據(jù)和1個產(chǎn)蛋量數(shù)據(jù)，由于密閉式雞舍內(nèi)小氣候環(huán)境相對穩(wěn)定，不同監(jiān)測點的環(huán)境存在差異而同一監(jiān)測點一天內(nèi)波動不大，所以將各點早中晚監(jiān)測的數(shù)據(jù)取平均值作為一天當(dāng)中的環(huán)境數(shù)據(jù)平均值。這樣各監(jiān)測點每天的環(huán)境數(shù)據(jù)平均值與該點的產(chǎn)蛋量平均值一一對應(yīng)，便于后面建立雞舍環(huán)境因子與產(chǎn)蛋性能關(guān)系回歸模型?？紤]到測量試驗期間可能存在由于機(jī)器故障（如喂料機(jī)停轉(zhuǎn)、風(fēng)機(jī)故障等）或外界干擾引起的少數(shù)試驗數(shù)據(jù)異常現(xiàn)象，為避免影響建模結(jié)果，將這些異常數(shù)據(jù)剔除。將最終保留下來的數(shù)據(jù)做歸一化處理，目的是取消各維數(shù)據(jù)之間的數(shù)量級差別，避免因為輸入輸出數(shù)據(jù)數(shù)量級差別較大引起的網(wǎng)絡(luò)預(yù)測誤差較大。歸一化采用Matlab自帶函數(shù)mapminmax。

2 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出的一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，理論上3層神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)輸入和輸出間的任意非線性映射[8]。BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)模型如圖2所示，輸入層和輸出層節(jié)點數(shù)是基于問題本身決定的，由于本設(shè)計的雞舍環(huán)境參數(shù)為溫度、濕度、光照、風(fēng)速、氨氣濃度、二氧化碳濃度共6個，所以輸入層節(jié)點數(shù)m為6。雞舍環(huán)境模型的目標(biāo)輸出為雞產(chǎn)蛋對應(yīng)任一訓(xùn)練樣本，實際輸出為yk，期望輸出為dk。隱層節(jié)點數(shù)對BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度有較大影響：節(jié)點數(shù)太少，網(wǎng)絡(luò)不能很好地學(xué)習(xí)，需要增加訓(xùn)練的次數(shù)，精度也受影響;節(jié)點數(shù)太多，訓(xùn)練時間增加，網(wǎng)絡(luò)容易過擬合。本研究中根據(jù)隱含層節(jié)點選擇參考公式及多次試驗將隱層節(jié)點設(shè)定為10個，最佳隱含層節(jié)點數(shù)的選擇參考公式為BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中采用梯度下降法來調(diào)整各層連接權(quán)值和閾值，梯度下降法的計算過程是沿梯度下降的方向求解極小值，其結(jié)果受初始權(quán)值閾值影響較大[13]。因此在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前隨機(jī)初始化權(quán)值和閾值會導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)解，導(dǎo)致模型擬合效果不理想。因此本研究采用布谷鳥搜索（CS）算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)辦法，以解決上述問題。

3 CS結(jié)合BP的算法改進(jìn)3.1 布谷鳥算法

布谷鳥搜索（cuckoo search，CS）算法是一種新提出的群體智能優(yōu)化算法，它的基本思想源于鳥類的Levy飛行行為和布谷鳥的鳥巢寄生行為[14-17]，在算法中，利用Levy飛行更新解，這樣算法具有非常強的全局搜索能力，同時，根據(jù)巢寄生行為中原巢主發(fā)現(xiàn)布谷鳥卵的思想，對一部分解進(jìn)行丟棄并更新。

CS算法包括如下3個規(guī)則：（1）布谷鳥1次下1個蛋，隨機(jī)放在1個鳥巢中進(jìn)行孵化。（2）一部分鳥巢放著優(yōu)質(zhì)蛋，這些鳥巢將被保留到下一代。（3）布谷鳥蛋被寄主鳥發(fā)現(xiàn)，寄主鳥就丟棄鳥蛋或者鳥巢，尋找新的鳥巢，以免影響尋找優(yōu)化問題的解。

3.2 CS-BP雞舍環(huán)境模型

當(dāng)前有很多專家學(xué)者都研究過使用布谷鳥算法優(yōu)化神經(jīng)網(wǎng)絡(luò)。例如Nawi等做過關(guān)于布谷鳥算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的驗證，證明算法結(jié)合的效果精確度更高，運算速度快，誤差更小[18]。屈遲文等使用布谷鳥算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)[19];高述濤等用布谷鳥算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)做短時交通流量預(yù)測[20]，都得到了較好的結(jié)果。這些研究中都是先使用布谷鳥算法在給定空間范圍內(nèi)進(jìn)行全局搜索，在布谷鳥算法迭代結(jié)束時將搜索結(jié)果賦予BP神經(jīng)網(wǎng)絡(luò)，作為其初始權(quán)值閾值進(jìn)行訓(xùn)練。但是在布谷鳥算法中，算法的搜索完全依靠隨機(jī)游走，因此不能保證算法快速收斂的性能，搜索結(jié)果也存在一定的隨機(jī)性。

本研究中對CS-BP算法提出了新的方案，在布谷鳥算法進(jìn)行搜索的過程中引入梯度下降算法，由于梯度下降算法有較強的局部搜索能力，這樣即保留了布谷鳥算法較強的全局搜索性能，又增加了算法的局部搜索精確性，并加快了收斂速度。最后在布谷鳥算法迭代結(jié)束時將最優(yōu)搜索結(jié)果賦予BP神經(jīng)網(wǎng)絡(luò)，作為其初始權(quán)值閾值進(jìn)行訓(xùn)練。這種方法能夠克服BP神經(jīng)網(wǎng)絡(luò)的容易陷入局部最小的缺點。本研究將以具體試驗來驗證其效果，改進(jìn)的算法具體如下。

首先在給定的空間范圍內(nèi)初始化種群并初始化算法的基本參數(shù)。其中每個鳥巢代表一組將要優(yōu)化訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，按照適應(yīng)度函數(shù)進(jìn)行計算（適應(yīng)度函數(shù)為誤差評價指標(biāo)），找到當(dāng)前最優(yōu)的鳥巢位置。然后根據(jù)解的適應(yīng)度值的優(yōu)劣將種群分成2個部分，較劣解會通過Levy飛行更新;對于其余的較優(yōu)解，則通過BP神經(jīng)網(wǎng)絡(luò)的梯度下降法增強局部搜索。部分劣解（pa）會被丟棄并以一個隨機(jī)步長更新產(chǎn)生新解。將迭代多次的最優(yōu)質(zhì)的鳥巢作為神經(jīng)網(wǎng)絡(luò)最優(yōu)的權(quán)值和閾值，進(jìn)行梯度下降訓(xùn)練，得到最終雞舍環(huán)境因子與產(chǎn)蛋性能關(guān)系回歸模型。

為了檢驗上述改進(jìn)算法的性能，本研究將雞舍監(jiān)測試驗測得的環(huán)境參數(shù)預(yù)處理后作為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本來開展算法檢驗試驗。本研究共690組環(huán)境樣本，590組用于模型學(xué)習(xí)訓(xùn)練和自身檢測，另100組樣本用于進(jìn)行模型泛化能力檢測，利用決定系數(shù)R2、平均絕對誤差（MAE）和平均相對誤差（MAPE）來評價模型的擬合效果，R2越大越好，MAPE和MAE值則越小越好。評價指標(biāo)公式為高，沒有擬合效果非常差的情況出現(xiàn)，說明這2種算法都很好地克服了陷入局部最優(yōu)的缺陷。對比10次試驗結(jié)果來看，改進(jìn)后的CS-BP整體擬合效果更好，預(yù)測準(zhǔn)確度更高。所以本研究最后將保留改進(jìn)后的CS-BP建立的雞舍環(huán)境因子與產(chǎn)蛋性能關(guān)系回歸模型。

4 對比模型

為了檢驗本研究建立的CS-BPNN的雞舍環(huán)境因子與產(chǎn)蛋性能關(guān)系回歸模型的性能相比于采用其他算法是否更優(yōu)，采用BP神經(jīng)網(wǎng)絡(luò)（BPNN）、遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（GA-BPNN）、粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（PSO-BPNN）進(jìn)行對比試驗。本研究將試驗測得的環(huán)境參數(shù)預(yù)處理后作為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本，構(gòu)建3層神經(jīng)網(wǎng)絡(luò)。所有算法中BP神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)為100代，學(xué)習(xí)率參數(shù)為0.1，分別用BP神經(jīng)網(wǎng)絡(luò)算法、CS-BP算法，PSO-BP算法和GA-BP算法進(jìn)行訓(xùn)練回測?？紤]到智能優(yōu)化算法搜索模型最優(yōu)參數(shù)的隨機(jī)性，所有試驗均重復(fù)10次，取最佳的1次結(jié)果進(jìn)行對比，所有算法都在CPU雙核2.8 GHz，RAM8.00 GB，Windows 10，Matlab 2010b的平臺上實現(xiàn)。PSO算法參數(shù)設(shè)置：種群規(guī)模為20，最大迭代次數(shù)為50，學(xué)習(xí)因子c1=c2=1.494 45;GA算法的參數(shù)設(shè)置：交叉概率=0.2，變異概率=0.1，種群個數(shù)和最大進(jìn)化次數(shù)與PSO算法相同;CS算法參數(shù)設(shè)置：鳥巢數(shù)為20，發(fā)現(xiàn)概率Pa=0.25，最大迭代次數(shù)為50。在搜索過程中達(dá)到最大迭代次數(shù)則停止搜索。試驗結(jié)果如圖3、圖4、圖5、圖6所示。

通過表2的數(shù)據(jù)分析可以得知，布谷鳥算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型測試得到的平均相對誤差和平均絕對誤差都是最低的，決定系數(shù)最高，效果要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)的測試結(jié)果以及粒子群算法和遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的測試結(jié)果。這說明選用布谷鳥優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型，可以建立更好更有效的雞舍環(huán)境因子與產(chǎn)蛋性能關(guān)系回歸模型。

5 結(jié)語

本研究介紹了使用布谷鳥算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)建立雞舍環(huán)境因子與產(chǎn)蛋性能關(guān)系回歸模型的改進(jìn)方法，首先進(jìn)行數(shù)據(jù)選取以及預(yù)處理，將雞舍環(huán)境參數(shù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)，通過改進(jìn)的布谷鳥算法對神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行迭代優(yōu)化，進(jìn)而建立雞舍環(huán)境因子與產(chǎn)蛋性能關(guān)系回歸模型。同時，本研究還將此方法與當(dāng)前主流的粒子群算法和遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法以及未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了對比試驗。結(jié)果表明，CS-BP算法能夠有效地分析雞舍環(huán)境因子與產(chǎn)蛋性能的關(guān)系。根據(jù)本研究建立的雞舍環(huán)境因子與產(chǎn)蛋性能關(guān)系回歸模型，可進(jìn)一步計算出產(chǎn)蛋量達(dá)到最高時的各環(huán)境因子參數(shù)值，從而為雞舍環(huán)境的調(diào)控的優(yōu)化提供理論基礎(chǔ)。

參考文獻(xiàn)：

[1]劉世榮，劉雁征，李云開. 籠養(yǎng)蛋雞健康養(yǎng)殖技術(shù)研究的現(xiàn)狀與發(fā)展趨勢[J]. 中國農(nóng)學(xué)通報，2008，24（1）：23-28.

[2]王新政. 禽舍環(huán)境智能控制關(guān)鍵技術(shù)研究[D]. 哈爾濱：東北林業(yè)大學(xué)，2012.

[3]俞宏軍，李保明，施正香，等. 北京密閉式商品蛋雞舍冬季環(huán)境研究（初報）[J]. 農(nóng)業(yè)工程學(xué)報，1997，13（增刊1）：75-79.

[4]張妮婭，劉煥良，張金鳳，等. 華中地區(qū)夏季蛋雞舍環(huán)境狀況調(diào)查研究[J]. 養(yǎng)殖與飼料，2008（12）：1-5.

[5]高 騰. 自動化超大規(guī)模蛋雞養(yǎng)殖舍環(huán)境控制方法研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2013.

[6]周可嘉. 現(xiàn)代化超大規(guī)模蛋雞舍冬春季環(huán)境參數(shù)控制綜合評價研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2014.

[7]查凌雁，王 菲，趙淑梅，等. 密閉式雞舍冬季環(huán)境特征及其對產(chǎn)蛋率的影響[J]. 中國家禽，2013，35（21）：27-30.

[8]劉天舒. BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)研究及應(yīng)用[D]. 哈爾濱：東北農(nóng)業(yè)大學(xué)，2011.

[9]王德民. 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測[J]. 電子設(shè)計工程，2013，21（22）：95-98.

[10]郝海霞. 用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)進(jìn)行函數(shù)擬合[J]. 山西師范大學(xué)學(xué)報（自然科學(xué)版），2017（1）：14-16.

[11]洪 亮，張 浩，朱 明，等. 基于模擬退火算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的色彩空間轉(zhuǎn)換[J]. 包裝工程，2017，38（13）：195-198.

[12]王秋平，馬春林，肖玲玲，等. 蟻群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在主汽溫控制中的應(yīng)用[J]. 化工自動化及儀表，2013，40（7）：834-837.

[13]劉 品. BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化研究及應(yīng)用[D]. 北京：中國地質(zhì)大學(xué)，2016.

[14]Yang X S，Deb S. Cuckoo search via Lévy flights[C]// IEEE transactions world congress on nature & biologically inspired computing. IEEE，2010：210-214.

[15]Yang X S，Deb S. Engineering optimisation by cuckoo search[J]. International Journal of Mathematical Modelling & Numerical Optimisation，2010，1（4）：330-343.

[16]Yang X S，Deb S. Multiobjective cuckoo search for design optimization[J]. Computers & Operations Research，2013，40（6）：1616-1624.

[17]Pavlyukevich I. Lévy flights，non-local search and simulated annealing[J]. Journal of Computational Physics，2007，226（2）：1830-1844.

[18]Nawi N M，Khan A，Rehman M Z. A new back-propagation neural network optimized with cuckoo search algorithm[C]// Lecture notes in computer science. Berlin，Heidelberg：Springer，2013，7971：413-426.

[19]屈遲文，傅彥銘，戴 俊. 基于改進(jìn)CS優(yōu)化算法的灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型[J]. 西南師范大學(xué)學(xué)報（自然科學(xué)版），2014，39（1）：131-136.

[20]高述濤. CS算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時交通流量預(yù)測[J]. 計算機(jī)工程與應(yīng)用，2013，49（9）：106-109.余曉玲，宋慷慷，林珍銘. 工業(yè)城市土地生態(tài)安全評價及其障礙因子分析[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（11）：271-275.