第3期 吴一全，等：布谷鸟搜索算法研究及其应用进展 ·441· 1)在迭代期间，布谷鸟随机行走得到一个新 ternational Conference on Advanced Intelligent Mechat- 位置，随机行走模式的单一导致其搜索时针对性 ronics.Montreal,Canada,2010:379-384. 不强，很难迅速寻找到解的全局最优值，搜索精 [2]YANG Xinshe,DEB S.Cuckoo search via levy flights[C]// 度有待提升。因此，有必要对搜索方式进行改 Proceedings of 2009 World Congress on Nature Biolo- 进，使每次的搜索都向有利的方向进行，比如引 gically Inspired Computing.Coimbatore,India,2009: 人非均匀变异算子或者增加选择性淘汰策略等， 210-214. 提高算法的搜索精度。 [3]YANG Xinshe,DEB S.Engineering optimisation by cuckoo search[J].International journal of mathematical 2)搜寻到新的位置后，会用贪婪选择的模式 modelling and numerical optimisation,2010,1(4): 保留全局最优值，但是全局优化问题多极值会导 330-343. 致算法容易早熟，收敛到局部最优解。将CS算 [4]王凡，贺兴时，王燕，等.基于CS算法的Markov模型及 法与粒子群算法、蛙跳算法等算法进行结合，利 收敛性分析[.计算机工程，2012,38(11)：180-182,185， 用各个智能优化算法的优势，可以得到单一的算 WANG Fan,HE Xingshi,WANG Yan,et al.Markov mod- 法无法实现的结果。从而增强算法的鲁棒性、提 el and convergence analysis based on cuckoo search al- 高算法的搜索能力。 gorithm[J].Computer engineering,2012,38(11):180-182. 3)CS算法是以概率P.抛弃部分解然后再产 185 生新解，但这种方法忽略了种群内具有优势的群 [5]PATWARDHAN A P.PATIDAR R,GEORGE N V.On a 体知识，加大了搜寻的运算量。可考虑加入一些 cuckoo search optimization approach towards feedback 策略促进种群之间协作，例如：构建双层交互学 system identification[J].Digital signal processing,2014, 习模型，双种群互相学习，合作寻优，实现种群间 32:156-163. 信息共享，学习优势经验，增加种群多样性。 [6]GANDOMI A H,YANG Xinshe,ALAVI A H.Cuckoo 4)CS算法作为新近出现的群体智能优化算 search algorithm:a metaheuristic approach to solve struc- 法，尚有改进和提升的空间，它的应用研究仍处 tural optimization problems[J].Engineering with com 于初始阶段。相比PSO、ABC等智能算法来说， puters,,2013,29(1):17-35. [7]DHIVYA M,SUNDARAMBAL M.Cuckoo search for 目前C$算法在金融、自动控制、神经网络训练、 data gathering in wireless sensor networks[J.Internation- 图像处理等领域的应用还较少。因此，研究CS al journal of mobile communications,2011,9(6):642-656 算法更多的应用将对解决复杂的工程和控制等领 [8]YANG Xinshe,KARAMANOGLU M.Swarm intelli- 域的优化问题有重要的意义，也能更好地促进 gence and bio-inspired computation:theory and applica- CS算法的发展。 tions[M].London:Elsevier,2013:3-23 5结束语 [9]ROY S,CHAUDHURI S S.Cuckoo search algorithm us- ing levy flight:a review[J].International journal of mod- CS算法是一类新兴的群智能优化算法，它在 ern education and computer science,2013,5(12):10-15. 许多应用领域具有广阔的前景，而其在很多方面 [10]WINFREE R.Cuckoos,cowbirds and the persistence of 还有待进一步研究。本文阐述了CS算法的原理 brood parasitism[J].Trends in ecology evolution,1999, 和改进方法，鉴于算法仍处于快速发展阶段，因 149:338-343 此还有一些改进方法尚未包含在本文中。此外， [11]PAVLYUKEVICH I.Levy flights,non-local search and simulated annealing[J].Journal of computational physics. 还归纳了C$算法在实际领域中的应用，指出了 2007,226(2):1830-1844. 目前所存在的问题，且对进一步的研究方向进行 [12]VISWANATHAN G M.AFANASYEV V.BULDYREV 展望。进一步加强对CS算法理论和具体应用的 S V,et al.Levy flight search patterns of wandering al- 研究有利于拓展群体智能优化技术的研究和应用 batrosses[J].Nature,.1996,381(6581):413-415 领域，从而得到更快的发展和广泛的融合，以期 [13]王庆喜，郭晓波.基于莱维飞行的粒子群优化算法 能有效地解决更多的实际应用问题。 计算机应用研究，2016.33(9：2588-2591 参考文献： WANG Qingxi,GUO Xiaobo.Particle swarm optimiza- tion algorithm based on Levy flight[J].Application re- [1]ABACHIZADEH M,YAZDI M R H,YOUSEFI-KOMA search of computers,2016,33(9):2588-2591. A.Optimal tuning of PID controllers using artificial bee [14]YANG Xinshe.Nature-inspired metaheuristic colony algorithm[Cl//Proceedings of 2010 IEEE/ASME In- algorithms[M].2nd ed.Frome,UK:Luniver Press,2010:1) 在迭代期间，布谷鸟随机行走得到一个新 位置，随机行走模式的单一导致其搜索时针对性 不强，很难迅速寻找到解的全局最优值，搜索精 度有待提升。因此，有必要对搜索方式进行改 进，使每次的搜索都向有利的方向进行，比如引 入非均匀变异算子或者增加选择性淘汰策略等， 提高算法的搜索精度。 2) 搜寻到新的位置后，会用贪婪选择的模式 保留全局最优值，但是全局优化问题多极值会导 致算法容易早熟，收敛到局部最优解。将 CS 算 法与粒子群算法、蛙跳算法等算法进行结合，利 用各个智能优化算法的优势，可以得到单一的算 法无法实现的结果。从而增强算法的鲁棒性、提 高算法的搜索能力。 3) CS 算法是以概率 Pα 抛弃部分解然后再产 生新解，但这种方法忽略了种群内具有优势的群 体知识，加大了搜寻的运算量。可考虑加入一些 策略促进种群之间协作，例如：构建双层交互学 习模型，双种群互相学习，合作寻优，实现种群间 信息共享，学习优势经验，增加种群多样性。 4) CS 算法作为新近出现的群体智能优化算 法，尚有改进和提升的空间，它的应用研究仍处 于初始阶段。相比 PSO、ABC 等智能算法来说， 目前 CS 算法在金融、自动控制、神经网络训练、 图像处理等领域的应用还较少。因此，研究 CS 算法更多的应用将对解决复杂的工程和控制等领 域的优化问题有重要的意义，也能更好地促进 CS 算法的发展。 5 结束语 CS 算法是一类新兴的群智能优化算法，它在 许多应用领域具有广阔的前景，而其在很多方面 还有待进一步研究。本文阐述了 CS 算法的原理 和改进方法，鉴于算法仍处于快速发展阶段，因 此还有一些改进方法尚未包含在本文中。此外， 还归纳了 CS 算法在实际领域中的应用，指出了 目前所存在的问题，且对进一步的研究方向进行 展望。进一步加强对 CS 算法理论和具体应用的 研究有利于拓展群体智能优化技术的研究和应用 领域，从而得到更快的发展和广泛的融合，以期 能有效地解决更多的实际应用问题。 参考文献： ABACHIZADEH M, YAZDI M R H, YOUSEFI-KOMA A. Optimal tuning of PID controllers using artificial bee colony algorithm[C]//Proceedings of 2010 IEEE/ASME In- [1] ternational Conference on Advanced Intelligent Mechat￾ronics. Montreal, Canada, 2010: 379–384. YANG Xinshe, DEB S. Cuckoo search via levy flights[C]// Proceedings of 2009 World Congress on Nature & Biolo￾gically Inspired Computing. Coimbatore, India, 2009: 210–214. [2] YANG Xinshe, DEB S. Engineering optimisation by cuckoo search[J]. International journal of mathematical modelling and numerical optimisation, 2010, 1(4): 330–343. [3] 王凡, 贺兴时, 王燕, 等. 基于 CS 算法的 Markov 模型及 收敛性分析 [J]. 计算机工程, 2012, 38(11): 180–182, 185. WANG Fan, HE Xingshi, WANG Yan, et al. Markov mod￾el and convergence analysis based on cuckoo search al￾gorithm[J]. Computer engineering, 2012, 38(11): 180–182, 185. [4] PATWARDHAN A P, PATIDAR R, GEORGE N V. On a cuckoo search optimization approach towards feedback system identification[J]. Digital signal processing, 2014, 32: 156–163. [5] GANDOMI A H, YANG Xinshe, ALAVI A H. Cuckoo search algorithm: a metaheuristic approach to solve struc￾tural optimization problems[J]. Engineering with com￾puters, 2013, 29(1): 17–35. [6] DHIVYA M, SUNDARAMBAL M. Cuckoo search for data gathering in wireless sensor networks[J]. Internation￾al journal of mobile communications, 2011, 9(6): 642–656. [7] YANG Xinshe, KARAMANOGLU M. Swarm intelli￾gence and bio-inspired computation: theory and applica￾tions[M]. London: Elsevier, 2013: 3–23. [8] ROY S, CHAUDHURI S S. Cuckoo search algorithm us￾ing lèvy flight: a review[J]. International journal of mod￾ern education and computer science, 2013, 5(12): 10–15. [9] WINFREE R. Cuckoos, cowbirds and the persistence of brood parasitism[J]. Trends in ecology & evolution, 1999, 14(9): 338–343. [10] PAVLYUKEVICH I. Lévy flights, non-local search and simulated annealing[J]. Journal of computational physics, 2007, 226(2): 1830–1844. [11] VISWANATHAN G M, AFANASYEV V, BULDYREV S V, et al. Lévy flight search patterns of wandering al￾batrosses[J]. Nature, 1996, 381(6581): 413–415. [12] 王庆喜, 郭晓波. 基于莱维飞行的粒子群优化算法 [J]. 计算机应用研究, 2016, 33(9): 2588–2591. WANG Qingxi, GUO Xiaobo. Particle swarm optimiza￾tion algorithm based on Levy flight[J]. Application re￾search of computers, 2016, 33(9): 2588–2591. [13] YANG Xinshe. Nature-inspired metaheuristic algorithms[M]. 2nd ed. Frome, UK: Luniver Press, 2010: [14] 第 3 期 吴一全，等：布谷鸟搜索算法研究及其应用进展 ·441·