布谷鸟搜索算法(Cuckoo Search,CS)是一种新型的元启发式算法,用来解决全局函数目标优化问题。布谷鸟搜索算法在寻优的过程中采用Levy flight随机游走模式,具有控制参数少、简单易实现、搜索路径优、搜索能力强等特点,并成功应用于大量工程型实际问题中。在布谷鸟搜索算法中,存在两个问题。一是Levy flight随机游走产生的步长是完全随机的,因此缺乏可控制性,从而存在后期收敛速度慢和收敛精确度低的问题。二是原始谷鸟搜索算法是一种全局搜索算法,只适用于得到唯一的全局最优解,无法解决寻找多个局部最优解的多模态问题。本文主要工作如下:一、为了解决算法进化过程中缺乏可控性的问题,本文提出了一种基于随机梯度下降的布谷鸟搜索算法,在Levy flight随机游走过程中引入随机梯度下降,增强算法在寻优过程中的可控性和自适应性,加快局部最优解的搜索,优化收敛过程中的寻优路径,从而提高算法的寻优能力,加快收敛速度。多组仿真实验表明,基于随机梯度下降的布谷鸟搜索算法简单高效,在保持标准CS算法优点的基础上提高了算法的收敛速度和寻优精度,且算法对控制参数不敏感,具有较好的稳定性。二、为了解决寻找多个局部最优解的多模态问题,本文引入基于共享原则小生境技术,提出了基于随机梯度下降的共享小生境布谷鸟算法,增大进化过程中的布谷鸟多样性。仿真实验表明本文提出的改进算法在求解多模态函数优化问题上具有全局搜索能力强、收敛速度快、准确搜索解空间内的全部最优解以及计算量小等优点,具有较高的解决实际应用问题的价值。