20世纪后期,随着科学技术的飞速发展,启发式智能算法脱颖而出,通过模拟生物的行为或者自然现象来解决问题,已经逐渐成为整个优化领域的一个热点.并且,很多群智能优化算法已经成功应用在工程优化领域,而且完成了基本的理论论证.2009年,由剑桥大学的YANG Xin-she和拉曼工程大学的Deb Suash通过模拟布谷鸟寻窝产蛋这一行为,提出了新的群体智能搜索算法--布谷鸟(Cuckoo Search,CS)算法.与传统算法相比,CS算法拥有较少的控制参数、搜索路径优、鲁棒性好、全局寻优能力强等特点.由于CS算法也存在着局部搜索能力较弱、搜索速度偏慢和收敛精度不高等缺点,本文针对这些问题,对CS算法进行改进研究.主要的工作如下:(1)首先,对布谷鸟算法(CS)进行分析研究,详细介绍布谷鸟算法的背景、相关理论基础知识,其中包括布谷鸟算法的原理、步骤、以及目前的研究状况.(2)提出一种改进的布谷鸟算法.首先,利用混沌原理来保持初始种群的多样性,以改善算法的寻优性能,其次,引入混合蛙跳算法的局部搜索机制加强局部搜索,以加强算法的收敛速度,最后,引入惯性权重,使得布谷鸟算法有拓展搜寻空间的趋向,有能力去搜寻新的区域.(3)应用随机过程的有关理论和Markov模型对改进的布谷鸟算法进行理论的证明,检验改进的布谷鸟算法的收敛性.同时,通过复杂的测试函数对改进的布谷鸟算法进行仿真实验,以检验算法的有效性和可行性.表明,改进的布谷鸟算法有较好的稳定性和全局搜索能力.