最优化问题就是在特定的现实环境约束下,快速、准确地找到最优的解决方案,获得最佳的实践结果。在工程设计、能源分配和医疗应用等众多领域都面临最优化问题,而布谷鸟搜索算法(CS)具有参数少、易实现和效果好等优点,成为解决最优化问题的一种有效方法。该算法是模拟布谷鸟不断寻找优质宿主鸟巢的生活习性,来实现的一种寻优过程。但经典的布谷鸟搜索算法存在初始种群分布不均且质量不高、全局和局部搜索方式不能合理控制、种群多样性不易调节和重建鸟巢解质量不高问题,影响算法的求解精度和收敛速度性能。本文针对以上问题,提出了基于变化因子的布谷鸟搜索算法(CFCS),该算法主要改进如下:(1)针对CS算法初始种群分布不均和质量不高的问题,提出了在初始鸟巢阶段引入拟蒙特卡罗方法对种群进行初始化。首先使用拟蒙特卡罗方法的Hammersley序列在划分的子空间中生成鸟巢,使得种群能够均匀地分布在搜索空间;然后根据适应度值将整个空间中的鸟巢位置进行排序,选择较优的鸟巢位置作为最初算法的初始种群,提高了初始种群的质量。(2)针对CS算法全局和局部搜索方式不能合理控制的问题,提出了在鸟巢更新迭代阶段使用变化因子的方法。首先根据迭代次数将算法的迭代过程划分成前期、中期和后期;然后在不同时期使用不同的因子定义新的步长模型和鸟巢位置迭代更新模型,改善了搜索方式应用的合理性,提高了算法的收敛速度。(3)针对CS算法种群多样性不易调节的问题,提出了在放弃-重建鸟巢阶段使用分阶段自适应概率的方法。首先继鸟巢更新迭代阶段后继续将算法划分成前期、中期和后期;然后根据迭代次数动态地计算鸟巢放弃概率,通过不同的概率来动态地调整不同时期的种群多样性,使得算法可以灵活地调整种群多样性,提高了算法的收敛速度。进一步继鸟巢更新阶段后,保证了算法整体上搜索方式应用的合理性。(4)针对CS算法重建鸟巢质量不高的问题,在放弃-重建鸟巢阶段对重建鸟巢模型进行改进。通过在重建鸟巢模型中引入最优鸟巢位置调整寻优步长,提高了重建鸟巢解的质量,进一步提高了算法的寻优值精度。最后,本文将CFCS算法应用在函数优化方面,验证了该算法的有效性。本文采用通用的基准测试函数对该算法以及对比算法进行了实验仿真分析,结果表明,CFCS算法能够以较快的速度收敛到最优解,同时寻优精度也得以提高。