布谷鸟搜索算法综述

doi:10.3778/j.issn.1002-8331.1806-0215

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (18): 8-16.DOI: 10.3778/j.issn.1002-8331.1806-0215

布谷鸟搜索算法综述

张晓凤，王秀英

青岛科技大学信息科学技术学院，山东青岛 266000

出版日期:2018-09-15 发布日期:2018-10-16

Survey of cuckoo search algorithm

ZHANG Xiaofeng, WANG Xiuying

College of Information Science & Technology, Qingdao University of Science & Technology, Qingdao, Shandong 266000, China

Online:2018-09-15 Published:2018-10-16

摘要/Abstract

摘要： 布谷鸟搜索（Cuckoo Search，CS）算法是一种新型的群体智能优化算法，该算法受布谷鸟的巢寄生育雏行为的启发，并结合鸟类、果蝇等的莱维飞行特征而提出。首先对CS算法的原理进行介绍，并将它与当前主流群智能算法进行对比分析，从而说明CS算法的有效性及不足。然后介绍了算法的国内外研究成果，包括二进制CS、混沌CS、离散CS等多种版本的改进算法，以及CS算法在图像处理、数据挖掘、组合优化等多个领域的应用。最后，结合布谷鸟算法的特点及其应用研究成果，指出CS算法未来的研究方向。

关键词: 布谷鸟搜索算法, 群体智能, 优化算法, 图像处理

Abstract: As an efficient swarm-intelligence-based algorithm, Cuckoo Search（CS） algorithm is inspired by the cuckoo breeding behavior in combination with the Lévy flight of some birds and fruit flies. Firstly, the principle of CS algorithm is introduced, and and it is compared with the current mainstream group intelligent algorithm to illustrate the effectiveness and deficiency of CS algorithm. Then the research achievements and application status of CS at home and abroad are introduced in detail, including binary CS, chaotic CS, discrete CS and other versions of CS, and applications in the fields of image processing, data mining, combinatorial optimization and other fields. Finally the further research directions of CS are proposed according to characteristics of CS algorithm and its application research results.

Key words: cuckoo search algorithm, swarm intelligence, optimization algorithm, image processing

张晓凤，王秀英. 布谷鸟搜索算法综述[J]. 计算机工程与应用, 2018, 54(18): 8-16.

ZHANG Xiaofeng, WANG Xiuying. Survey of cuckoo search algorithm[J]. Computer Engineering and Applications, 2018, 54(18): 8-16.

[1]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[2]	张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法[J]. 计算机工程与应用, 2021, 57(9): 89-95.
[3]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[4]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[5]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[6]	高铖铖，陈锡程，张瑞，宋秋月，易东，伍亚舟. 三种新型智能算法在疫情预警模型中的应用——基于百度搜索指数的COVID-19疫情预警[J]. 计算机工程与应用, 2021, 57(8): 256-263.
[7]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[8]	杨培伟，周余红，邢岗，田智强，许夏瑜. 卷积神经网络在生物医学图像上的应用进展[J]. 计算机工程与应用, 2021, 57(7): 44-58.
[9]	云旭，宋焕生，梁浩翔，侯景严，戴喆. 基于深度学习的关键岗位人员行为分析系统[J]. 计算机工程与应用, 2021, 57(6): 225-231.
[10]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[11]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[12]	张伟康，刘升，任春慧. 混合策略改进的麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(24): 74-82.
[13]	徐辰华，骆珠光，吴冠宏，刘斌. 基于正弦因子和量子局部搜索的灰狼优化算法[J]. 计算机工程与应用, 2021, 57(24): 83-89.
[14]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.
[15]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.

布谷鸟搜索算法综述

Survey of cuckoo search algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics