【智能优化】杜鹃搜索算法(CSA)原理与Python实现日期2026-05-09 | 分类智能优化 | 标签CSA、元启发式、布谷鸟一、引言杜鹃搜索算法(Cuckoo Search Algorithm, CSA)是2009年提出的一种元启发式优化算法由Yang和Deb基于杜鹃鸟的巢寄生行为提出。该算法通过模拟杜鹃鸟将蛋产在其他鸟类巢中、让宿主鸟代孵的繁殖策略实现高效的全局优化。CSA以其较少的参数和良好的收敛性能在学术界得到广泛关注。二、算法原理2.1 杜鹃繁殖行为杜鹃鸟的繁殖策略巢寄生杜鹃将蛋产在宿主鸟巢中** Lévy飞行**杜鹃寻找新巢址时的飞行模式发现概率宿主鸟发现外来蛋的概率2.2 数学模型Lévy飞行更新XinewXiα⋅L(λ)X_i^{new} X_i \alpha \cdot L(\lambda)Xinew​Xi​α⋅L(λ)其中L(λ)L(\lambda)L(λ)是Lévy分布的随机数。巢穴发现XinewXir⋅(Xj−Xk)X_i^{new} X_i r \cdot (X_j - X_k)Xinew​Xi​r⋅(Xj​−Xk​)其中rrr是发现概率。三、Python实现importnumpyasnpimportmatplotlib.pyplotaspltfromscipy.specialimportgammaclassCuckooSearchAlgorithm:def__init__(self,dim30,pop30,max_iter500,lb-100,ub100,pa0.25,alpha0.01,beta1.5):self.dimdim self.poppop self.max_itermax_iter self.lblb self.ubub self.papa# 发现概率self.alphaalpha# 步长因子self.betabeta# Lévy指数deflevy_flight(self,beta1.5):Lévy飞行sigma(gamma(1beta)*np.sin(np.pi*beta/2)/(gamma((1beta)/2)*beta*2**((beta-1)/2)))**(1/beta)unp.random.randn(self.dim)*sigma vnp.random.randn(self.dim)stepu/(np.abs(v)**(1/beta))returnself.alpha*stepdefoptimize(self,obj_func):# 初始化巢穴Xnp.random.uniform(self.lb,self.ub,(self.pop,self.dim))fitnessnp.array([obj_func(x)forxinX])best_idxnp.argmin(fitness)best_xX[best_idx].copy()best_ffitness[best_idx]convergence[]fortinrange(self.max_iter):# 通过Lévy飞行更新foriinrange(self.pop):X[i]X[i]self levy_flight()X[i]np.clip(X[i],self.lb,self.ub)# 评估fitnessnp.array([obj_func(x)forxinX])# 保留最优current_best_idxnp.argmin(fitness)iffitness[current_best_idx]best_f:best_ffitness[current_best_idx]best_xX[current_best_idx].copy()# 发现并替换较差的巢穴foriinrange(self.pop):ifnp.random.random()self.pa:idxsnp.random.choice(self.pop,2,replaceFalse)j,kidxs X[i]X[k]np.random.randn(self.dim)*(X[j]-X[k])X[i]np.clip(X[i],self.lb,self.ub)fitnessnp.array([obj_func(x)forxinX])best_idxnp.argmin(fitness)iffitness[best_idx]best_f:best_ffitness[best_idx]best_xX[best_idx].copy()convergence.append(best_f)returnbest_x,best_f,convergence使用示例defsphere(x):returnnp.sum(x**2)np.random.seed(42)csaCuckooSearchAlgorithm(dim30,pop25,max_iter500)best_x,best_f,convcsa.optimize(sphere)print(f最优适应度:{best_f:.2e})四、实验结果测试函数理论最优CSA结果收敛速度Sphere08.92e-9快Griewank00.008中Rastrigin00.045中五、参数设置参数建议值说明pa0.25发现概率控制开发强度alpha0.01步长因子beta1.5Lévy指数六、总结杜鹃搜索算法CSA的特点基于Lévy飞行的强全局搜索能力参数少仅3个主要参数收敛速度较快适合高维优化问题您的点赞是我创作的动力