为了提高动态多种群粒子群(DMS-PSO) 算法的全局搜索能力, 将布谷鸟搜索算法(CS) 引入DMS-PSO 算法中, 提出DMS-PSO-CS 算法. 采用中位数聚类算法将整个种群动态划分为若干小种群, 各个小种群作为底层种群通过PSO 算法进行寻优, 再将每个小种群中的最优粒子作为高层种群的粒子通过CS 算法进行深度优化. 将所提出算法应用于CEC 2014 测试函数, 并与CS 算法和其他改进的PSO 算法进行比较. 实验结果表明, 所提出算法能够显著提高全局搜索能力和算法效率.

针对这种增强，提出了一种鲁棒且新颖的基于自适应布谷鸟搜索的增强算法。 该算法包括混沌初始化阶段、自适应 Lévy 飞行策略和突变随机化阶段。

完整代码，可直接运行

代码直接改输入输出

这是经过修改的杜鹃搜索，带有切线飞行有关切线航班的详细信息，请阅读Layeb，阿卜杜勒斯勒姆（Abedesslem）。 “解决优化问题的切线搜索算法。” arXiv预印本arXiv：2104.02559（2021）。 此代码完全基于Yang Xin-She Yang的Cuckoo Search（CS）算法和Cambridge University的Yang Xin-She编写的Suash Deb的代码 征税航班由函数get_cuckoos_tangent.m中的切线航班替代。 出于比较目的，在get_cuckoos_levy.m中提供了通过征税航班获得的原始杜鹃。

代码运行效果图见压缩包

为了提高预测精度，提出一种布谷鸟搜索算法优化BP神经网络的网络流量预测模型(Cuckoo Search BP neural network Flow Prediction，CS-BPNN)。根据混沌理论建立网络流量学习样本，采用BP神经网络对学习样本进行训练，将模型参数当一个鸟巢，通过模拟布谷鸟寻窝产卵的行为找到最优模型参数，最后采用网络流量数据进行仿真实验，测试模型性能。仿真实验表明：所提出模型较好的解决了BP神经参数优化问题，能够获得更加理想的网络流量预测结果。

针对综合防空火力分配中,传统火力分配模型没有全面考虑火力通道射击效能因素,且在火力资源相对充足的情况下火力资源易浪费和易延误战机的问题,将射击有利度、飞临时间与威胁度等因素结合,构建一种新的综合防空火力分配模型.基于此模型,针对来袭目标、火力节点以及制导节点3者之间的火力优化匹配问题,提出一种基于深度优先搜索预处理的多种群并行布谷鸟搜索算法(PMPCSA).该方法采用Prolog智能规划语言构建目标-火力节点-制导节点匹配规则库,在规则库中利用深度优先搜索快速生成可行的目标-火力节点-制导节点的匹配预处理方案;采用多种群并行布谷鸟搜索算法,对得到的可行分配空间进行搜索,通过引入多种群并行优化搜索,不同种群赋予不同控制参数的思想,兼顾算法的全局探索和局部开发能力,可有效提高算法寻优效率.最后,通过仿真结果验证所建综合防空火力分配模型的优势性,同时表明,所提出的PMPCSA算法能有效地平衡全局探索与局部开发,在保证较高收敛速度的同时,提高全局探索能力.

一种混合遗传布谷鸟搜索算法求解目标优化问题，田野，卞佳丽，元启发式算法能在较短时间内求得目标优化问题的最优解或近似最优解，在实际工程中应用广泛。布谷鸟算法(CS)是一种较为新型的元启��

分享了布谷鸟搜索算法的源代码及对应的文章，亲测有效，欲求更多算法可进入空间查看