田 媛，梁永全

（山东科技大学 计算机科学与工程学院，山东 青岛266590）

20世纪后期出现了越来越多受自然启发的现代元启发式算法，通过模拟自然现象和动物行为来解决函数优化问题，如蚁群算法（ant colony optimization，ACO）［1］、粒子群算法（particle swarm optimization，PSO）［2］等，这类启发式智能算法是计算智能领域的研究热点方向之一，并在求解工程优化等实际问题中获得广泛应用。

随着计算智能技术的快速发展，各种新颖的仿生优化算法相继被提出，其中布谷鸟搜索（cuckoo search，CS）算法是剑桥大学的Yang等［3］于2009年在模拟布谷鸟寻巢产卵的行为中提出的一种全局搜索算法，用来解决函数目标优化问题，具有选用参数少、容易实现、搜索路径优和寻优能力强等特点［4-6］。已经通过建立Markov链模型在理论上证明了布谷鸟搜索算法可收敛于全局最优［7］，在收敛速度和稳定性方面都超过了遗传算法和粒子群优化算法［3］。布谷鸟搜索算法需要的控制参数少，并且可以在随机化和集约化上保持良好的平衡。但CS算法作为一种新兴的仿生算法，其收敛速度和收敛结果精确度仍需进一步改善，针对函数优化问题，大部分都是基于发现概率、自适应步长的改进和混合CS算法改进的。

基于发现概率的改进中，文献［8］认为发现概率P 如果固定不变，将会使得不管是较好解还是较坏解都会以同样的概率被替换掉，因此提出一种动态的方法，根据整体解的情况确定来调节发现概率P 从而提高算法的求精能力和收敛速度。文献［9］通过改变发现概率，提出一种基于自适应机制的改进机制来控制缩放因子和发现概率，提高布谷鸟搜索算法求解函数优化问题的求精能力和收敛速度。……