群智能优化算法是近些年出现的一种启发式算法,它具有比经典优化算法(梯度类算法)更好的特点,如不要求函数可微、并行性及全局寻优性等,因此它成为当前人工智能计算领域中的一个研究热点。群智能优化算法亦被广泛应用于工程和社会领域。本文在对基本Cuckoo Search(CS)算法研究的基础上,提出了三种策略改进原算法,并通过解决无约束和约束优化问题验证了改进算法的优越性。本文主要包括以下三个方面的研究工作。(一)综述了无约束和约束优化问题的数值求解方法:由于实际问题中需要考虑的因素众多,且各种因素之间都有其一定的数学关联,无约束到约束优化问题的数学模型具有递进和不断发展的特点,因此在研究两种形式的优化问题的数学模型的基础上,对优化问题进行数值模拟具有一定的研究意义。(二)CS算法及其改进方法的研究:在归纳总结CS算法的性质基础上,分析了搜索模式及相关参数对布谷鸟群算法的收敛性的影响,进一步给出了一种CS算法的改进方法,主要包括以下三点,首先结合混沌序列产生初始种群,丰富增加了种群多样化;其次,将“教与学”搜索策略与CS算法的Levy飞行模式结合起来,构造出新的搜索方法,有效平衡了全局搜索和局部寻优;最后,通过“反射方法”有效解决了粒子越界的问题,实现了粒子多方向多角度的搜索。本文运用两组测试函数进行比较证明,得到本文中改进后的CS算法具有更快的收敛速度和更好的稳定性。(三)数值实验和比较研究:应用改进的CS算法于无约束和有约束的优化问题,通过数值算例进行验证,并与基本CS算法和其它改进算法进行了对比,证明了本文改进的CS算法在数值优化问题的应用中具有更大的优势。通过以上相关研究工作,本文认为基于“教与学”模式的混合CS算法适合于解决数值优化问题,针对群算法中种群初始化、粒子搜索模式和越界处理的改进是一种CS算法的改进方法,在很大程度上加速了粒子的收敛,从而更好的应用于数值优化问题的解决。