·440· 智能系统学报 第15卷 高了搜索速度。文献[53]将布谷鸟搜索算法引入 用59、预测问题6、控制问题61、人脸识别6网等应 到图像匹配过程，通过求解全局最优解实现了在 用领域。文献[22]利用改进CS算法对一些函数 较少调节参数下的图像匹配，仿真实验验证了该 进行测试，结果证明CS算法更具竞争力。文献[59 方法的有效性。此外，CS算法还被用于图像配 运用C$算法优化模糊和决策树分类器，并进行 准、图像掩膜5、数字水印等方面。 心脏病预测，在数据集上进行测试，结果表明该 5)分布式云计算 模型能达到更高的精度。文献[60]在处理有机碳 文献[57]首先依据安全强度、用户需求设置 含量预测问题时加入CS算法进行优化，提高了 以及安全需求等级构建云计算资源调度的数学模 预测精度。文献[61]将CS优化方法用于桥式起 型，然后采用改进的CS算法对云计算资源调度 重机系统PID控制器的参数寻优，达到更好的消 数学模型进行求解，得到云计算资源的最优调度 摆和定位控制。文献[62]将CS优化方法运用到 方案，提高了云计算资源的利用率，均衡云计算 人脸识别中，结果显示CS优化优于粒子群优化 系统各节点之间的负载。文献[58]利用Cloud- 和蚁群优化(ant colony optimization,.ACO)。 Sim软件搭建分布式云计算仿真环境进行任务调 3CS算法与其他群智能算法比较 度实验，并引入混沌理论，对C$算法每一轮迭代 的中间个体解进行混沌扰动，通过混沌布谷鸟算 CS算法与GA、ACO、PSO、人工蜂群(artifi- 法进行资源调度，实验证明混沌布谷鸟算法在收 cial bee colony,.ABC)算法均属于群智能优化算 敛性、求解精度、执行效率和相对标准差等方面 法，它们皆为基于种群借助迭代来实现优化步骤 优于其他算法。 的概率搜寻算法。依据文献[2-3,5-8,13-62]，总 6)其他领域 结与对比了这5种算法的优点、缺点以及适合求 CS算法的应用还涉及函数优化22)、医学应 解的问题，结果如表1所示。 表1CS与GA、ACO、PSO、ABC算法的比较 Table 1 Comparison of CS with GA,ACO,PSO,and ABC 算法 优点 缺点 适用范围 GA 收敛速度快，通用性好 易早熟，易收敛到局部最优 针对组合优化问题和连续优化问题 缺乏初始信息，收敛较慢，算法容 正反馈机制提升了全局寻优效率，鲁 易得到局部最优解，从而产生停留 ACO 主要针对组合优化问题 棒性好 现象，对于大规模问题，算法效率 明显下降 容易早熟收敛，迭代后期搜索能力 PSO 收敛速度快，设置参数少 主要针对连续优化问题 差，易得到局部最优解 迭代后期种群多样性降低，收敛速 ABC 全局寻优能力强 针对组合优化问题和连续优化问题 度减缓，甚至得到局部最优解 参数少，不易陷入局部最优，通用性 好，短距离与长距离交替行走平衡了 随机行走模式针对性不强，快速求 CS 针对连续优化问题 全局和局部搜索能力，易与其他算法 得全局最优解较难 结合 虽然GA、ACO、PSO和ABC的研究及应用 要的作用。 比较成熟，但从表1可知，CS算法在参数数目、 4CS算法存在的问题及展望 通用性、全局寻优能力等方面综合优势更强，可 灵活地跟其他算法进行多种组合，并具有更广泛 从上述总结中可以看出，CS算法具有诸多优 的适用性。文献[2,26,31]的研究结果表明： 点，适用性很强。然而，CS算法作为新近出现的 CS算法在解决复杂问题方面优于其他算法。显 群体智能优化算法，对其研究还处在发展阶段， 然，CS算法可广泛应用于实际领域，深入研究 仍有很多关键问题亟待解决。目前，CS算法存在 CS算法无论在理论上还是实际应用中都有着重 的不足及有待进一步研究的方向可总结如下：高了搜索速度。文献 [53] 将布谷鸟搜索算法引入 到图像匹配过程，通过求解全局最优解实现了在 较少调节参数下的图像匹配，仿真实验验证了该 方法的有效性。此外，CS 算法还被用于图像配 准 [54] 、图像掩膜[55] 、数字水印[56] 等方面。 5) 分布式云计算 文献 [57] 首先依据安全强度、用户需求设置 以及安全需求等级构建云计算资源调度的数学模 型，然后采用改进的 CS 算法对云计算资源调度 数学模型进行求解，得到云计算资源的最优调度 方案，提高了云计算资源的利用率，均衡云计算 系统各节点之间的负载。文献 [58] 利用 Cloud￾Sim 软件搭建分布式云计算仿真环境进行任务调 度实验，并引入混沌理论，对 CS 算法每一轮迭代 的中间个体解进行混沌扰动，通过混沌布谷鸟算 法进行资源调度，实验证明混沌布谷鸟算法在收 敛性、求解精度、执行效率和相对标准差等方面 优于其他算法。 6) 其他领域 CS 算法的应用还涉及函数优化[22] 、医学应 用 [59] 、预测问题[60] 、控制问题[61] 、人脸识别[62] 等应 用领域。文献 [22] 利用改进 CS 算法对一些函数 进行测试，结果证明 CS 算法更具竞争力。文献 [59] 运用 CS 算法优化模糊和决策树分类器，并进行 心脏病预测，在数据集上进行测试，结果表明该 模型能达到更高的精度。文献 [60] 在处理有机碳 含量预测问题时加入 CS 算法进行优化，提高了 预测精度。文献 [61] 将 CS 优化方法用于桥式起 重机系统 PID 控制器的参数寻优，达到更好的消 摆和定位控制。文献 [62] 将 CS 优化方法运用到 人脸识别中，结果显示 CS 优化优于粒子群优化 和蚁群优化 (ant colony optimization, ACO)。 3 CS 算法与其他群智能算法比较 CS 算法与 GA、ACO、PSO、人工蜂群 (artifi￾cial bee colony, ABC) 算法均属于群智能优化算 法，它们皆为基于种群借助迭代来实现优化步骤 的概率搜寻算法。依据文献 [2-3, 5-8, 13-62]，总 结与对比了这 5 种算法的优点、缺点以及适合求 解的问题，结果如表 1 所示。 表 1 CS 与 GA、ACO、PSO、ABC 算法的比较 Table 1 Comparison of CS with GA, ACO, PSO, and ABC 算法 优点 缺点 适用范围 GA 收敛速度快，通用性好 易早熟，易收敛到局部最优 针对组合优化问题和连续优化问题 ACO 正反馈机制提升了全局寻优效率，鲁 棒性好 缺乏初始信息，收敛较慢，算法容 易得到局部最优解，从而产生停留 现象，对于大规模问题，算法效率 明显下降 主要针对组合优化问题 PSO 收敛速度快，设置参数少 容易早熟收敛，迭代后期搜索能力 差，易得到局部最优解 主要针对连续优化问题 ABC 全局寻优能力强 迭代后期种群多样性降低，收敛速 度减缓，甚至得到局部最优解 针对组合优化问题和连续优化问题 CS 参数少，不易陷入局部最优，通用性 好，短距离与长距离交替行走平衡了 全局和局部搜索能力，易与其他算法 结合 随机行走模式针对性不强，快速求 得全局最优解较难 针对连续优化问题 虽然 GA、ACO、PSO 和 ABC 的研究及应用 比较成熟，但从表 1 可知，CS 算法在参数数目、 通用性、全局寻优能力等方面综合优势更强，可 灵活地跟其他算法进行多种组合，并具有更广泛 的适用性。文献 [2, 26, 31] 的研究结果表明： CS 算法在解决复杂问题方面优于其他算法。显 然 ，CS 算法可广泛应用于实际领域，深入研究 CS 算法无论在理论上还是实际应用中都有着重 要的作用。 4 CS 算法存在的问题及展望 从上述总结中可以看出，CS 算法具有诸多优 点，适用性很强。然而，CS 算法作为新近出现的 群体智能优化算法，对其研究还处在发展阶段， 仍有很多关键问题亟待解决。目前，CS 算法存在 的不足及有待进一步研究的方向可总结如下： ·440· 智 能 系 统 学 报 第 15 卷