汪逸晖，高 亮

(华中科技大学 机械科学与工程学院，湖北 武汉 430074)

0 引言

在工程领域，传统优化算法在解决实际问题中取得了可喜的成果。但优化问题差异性较大，范围从单目标到多目标、从连续到离散、从有约束到无约束，面对复杂的设计问题，传统优化算法存在仅能求出局部最优解、求解结果依赖于初始值等不足[1]。元启发式算法为此类问题提供了一种实用且有效的解决方案，能在可接受的运行时间内求得NP-Hard问题的最优解或近优解[2-3]。

乌鸦搜索算法(Crow Search Algorithm, CSA)是由ASKARZADEH[4]于2016年提出的一种基于乌鸦智能行为的新兴群智能元启发式算法。该算法在每次迭代中产生多个并行计算的个体，通过模拟乌鸦种群间搜寻食物的行为解决优化问题。由于CSA具有结构简单、参数少、操作灵活等特点，目前已成功应用于函数优化、特征选择等领域。ABDELAZIZ等[5]使用CSA对辐射状配电网中的导体选择问题进行了优化求解，实验结果表明CSA较传统优化算法表现更加优秀;ALEEM等[6]将CSA应用于滤波器优化设计，优化测试结果表明该算法具有快速收敛的能力，能成功解决配电网络中无共振三阶高通滤波器优化设计问题;LIU等[7]将CSA与极限学习机(Extreme Learning Machine, ELM)结合，建立了地下水水质评价模型CSA-ELM，以解决水质评价中水质模糊、水质参数不兼容等问题，测试结果表明CSA-ELM模型性能优于ELM、内梅罗指数法(Nemerow Index Method, NIM)和反向传播(Back Propagation, BP)模型，具有较高的稳定性与可靠性;MEDDEB等[8]将CSA应用于无功优化调度问题，在基准测试系统(IEEE 14-bus, IEEE 30-bus &Tunisian 86-bus)的测试中CSA表现优于……