布谷鸟搜索算法自2009年被提出以来,就得到了国内外专家学者的广泛关注,对该算法本身的性能及其应用范围进行了深入地改进和研究,并把布谷鸟搜索算法用于求解一些复杂实际应用问题。本文首先介绍布谷鸟捜索算法的原理,然后介绍Lévy flights机制,并简单阐明该算法的具体步骤和流程。在分析基本布谷鸟搜索算法缺陷的基础上,设计了新颖的算子来加强局部搜索,提出了两种改进的布谷鸟搜索算法,最后将布谷鸟搜索算法应用到了车辆路径这一实际问题中。本文具体工作如下:1针对布谷鸟搜索算法在进行高维函数优化过程中存在收敛速度慢和寻优精度不高等缺点,提出了基于加速算子和折射扰动的布谷鸟搜索算法(ARCS),该算法设计了一种加速算子,在迭代过程中可以加快该算法的收敛速度;同时引入了水波优化算法中的折射操作,避免算法陷入局部最优,提高算法的寻优精度。通过仿真表明,改进后的算法在提高算法的收敛速度上有效。2在求解函数优化问题时,由于每个鸟巢的搜索能力不同,每代所有鸟巢采用相同的步长和偏好随机游走方式更新位置会降低算法的搜索效率。针对此缺陷,提出一种动态适应的多子群布谷鸟搜索(DAMCS)算法。算法根据适应度值将种群分为精英子群、普通子群和待开发子群;不同子群根据适应度计算次数和适应度值采用不同的方式动态的调整的步长;然后将被发现的鸟巢按适应度值分为精英子群和待开发子群,精英子群采用一种向最优位置学习搜索方式来加强局部搜索,采用差分进化算法中的变异操作对待开发子群进行随机搜索来帮助跳出局部最优;每一次迭代后,子群被重新分配,使得各个子群之间信息得以充分交流。通过数值仿真,实验结果显示,改进后的算法显现出较好的收敛性能和适应能力。3为了将布谷鸟搜索算法更好地应用于离散型组合优化问题上,提出一种求解车辆路径问题的离散型布谷鸟搜索算法。对鸟巢位置进行整数编码设计,同时按贪心方式生成初始解。在基本布谷鸟搜索算法的基础上,对回路内部用2-opt算子和反转算子代替Lévy随机方式更新鸟巢位置进行局部调整;当鸟巢位置被发现之后,对回路之间用插入算子和交换算子代替随机游走策略更新鸟巢位置。对多个数据集进行了测试,实验表明改进后的算法在求解车辆路径问题上的性能优于其他对比算法,证明改进后的算法可以拓展到其它的离散型优化问题之中。