陈 程，贺兴时+，杨新社

1.西安工程大学理学院，西安710600

2.密德萨斯大学科学与技术学院，英国剑桥CB2 1TN

众所周知，随着人类和科技的发展，无论是在工程实践领域还是在研究领域，都会遇到越来越复杂的优化问题。人们使用一些传统的计算方法来解决这些问题时，求解精度以及收敛速度等方面均不能满足实际的需求，且耗时长、成本高。为解决复杂的优化问题，能找到更为合理和满意的近似解，科研工作者设计了大量的启发式算法，而在对自然启发式优化算法的研究中，群体智能算法在过去的二三十年中得到迅速发展，并成为当前最活跃的算法研究领域之一。群体智能算法主要有：萤火虫算法（firefly algorithm，FA）[1]、蝙蝠算法（bat algorithm，BA）[2]、蛙跳算法（shuffled frog leading algorithm，SFLA）[3]、粒子群优化算法（particle swarm optimization，PSO）[4]等。诸多学者也提出许多改进策略：学习因子独立调整策略[5]、自适应交叉策略[6]、早熟扰动[7]等策略，使群体智能算法在解决复杂优化问题时更加有效和高效。

2009 年，剑桥大学的Yang 和Deb 通过模拟布谷鸟寻窝产卵的行为提出了一种新的搜索算法，即布谷鸟搜索算法（cuckoo search，CS）[8]，由于这种算法简单高效、参数少、易于实现、随机搜索路径优等特点，已成功应用于医学图像优化[9]、多目标优化[10]、图像处理[11]、系统设计优化[12]、BT 神经网络（back propagation，BP）[13]、旅行商问题（traveling salesman problem，TSP）[14]等实际问题中。但也存在着求解精度低，易陷入局部最优，收敛速度慢等方面问题，针对这些问题诸多学者也提出了相应的改进方案。王凡等[15]提出了一种在迭代过程中对鸟窝位置加入高斯扰动的方法，它增加了鸟窝位置变化的活力，从而有效地提高了算法的收敛速度。……