布谷鸟算法（Cuckoo Search，CS）MATLAB案例详细解析

article/2025/10/5 7:56:04

一、布谷鸟算法理论
二、CS算法应用于函数优化
- 1.流程图
- 3.代码解析
- - 3.1 主函数 Csmain.m
  - 3.2 Levy飞行 func_levy.m
  - 3.3 与上一代比较，返回较优的鸟巢 func_bestNestPop.m
  - 3.4 根据发现概率，舍弃一个鸟巢并建立一个新鸟巢 func_newBuildNest.m
  - 3.5 目标函数
  - 3.6 计算适应度函数
三、输出结果
四、CS案例MATLAB源码下载

一、布谷鸟算法理论

模拟退火算法（SA）、遗传算法（GA）、布谷鸟算法（CS）、人工蜂群算法（ABC）学习笔记—附MATLAB注释代码

二、CS算法应用于函数优化

1.流程图

在这里插入图片描述

3.代码解析

3.1 主函数 Csmain.m

% Script 布谷鸟算法，求解函数最小值
% @author zhaoyuqiang 
%#ok<*SAGROW> Remove hints of syntax
%#ok<*CLALL>
%#ok<*FNDSB>
clear all ; 
close all ;
clc ;
N = 25; %　鸟巢的数量Number of nests(The scale of solution)
D = 10 ; % 问题的维度,一个鸟巢鸟蛋的个数 Dimensionality of solution
T =500 ; %迭代次数的上限 Number of iterations
Xmax = pi ;%%函数上限
Xmin = -pi ;%%函数下限
Pa = 0.25 ; % Probability of building a new nest(After host bird find exotic bird eggs)nestPop = rand(N,D)*(Xmax-Xmin)+Xmin ;  % 初始化寄主的鸟巢Random initial solutions
for t=1:Tlevy_nestPop =  func_levy(nestPop,Xmax,Xmin) ; % 通过levy飞行产生一个解Generate new solutions by Levy flightsnestPop = func_bestNestPop(nestPop,levy_nestPop);  % 与上一代比较，更新适应度较优的鸟巢Choose a best nest among  new and old nests     rand_nestPop = func_newBuildNest(nestPop,Pa,Xmax,Xmin); % 根据发现概率舍弃一个鸟巢并建立一个新鸟巢Abandon(Pa) worse nests and build new nests by (Preference random walk )nestPop = func_bestNestPop(nestPop,rand_nestPop) ; %列出当前最佳的鸟巢 Choose a best nest among  new and old nests[~,index] = max(func_fitness(nestPop)) ; % Best nests更新当代最优鸟巢的位置trace(t) = func_objValue(nestPop(index,:)) ;end[~,index] = max(func_fitness(nestPop)) ; % 查找当前最优鸟巢
%%%输出这个鸟巢里的每个鸟蛋，即是每个解
nestPop(index,:)
figure 
plot(trace);
xlabel('迭代次数') ;
ylabel('适应度值') ;
title('适应度进化曲线') ;

3.2 Levy飞行 func_levy.m

说白了就是实现一个随机搜索的公式来更新鸟巢的位置,

X_t+1 = X_t + $\alpha$ S
S就是服从Levy分布

Levy～u = t ^{- $\beta$} ，1<= $\beta$ <=3的随机步长。

具体公式解析参考:
通俗易懂的布谷鸟算法与莱维飞行，(附求解函数最小值matlab源码)

 function [ result ] = func_levy( nestPop,Xmax,Xmin)
%FUNC_LEVY : Update position of nest by using Levy flights
%@author : zhaoyuqiang 
[N,D] = size(nestPop) ;
% Levy flights by Mantegna's algorithm
beta = 1.5 ;
alpha = 1 ;
sigma_u = (gamma(1+beta)*sin(pi*beta/2)/(beta*gamma((1+beta)/2)*2^((beta-1)/2)))^(1/beta) ;
sigma_v = 1 ;
u = normrnd(0,sigma_u,N,D) ;%(第一个参数代表均值，sigma参数代表标准差),生成N×D形式的正态分布的随机数矩阵。
v = normrnd(0,sigma_v,N,D) ;
step = u./(abs(v).^(1/beta)) ;
% alpha = 0.1.*(nestPop(randperm(N),:)-nestPop(randperm(N),:)); % Bad effect
nestPop = nestPop+alpha.*step ;
% Deal with bounds
nestPop(find(nestPop>Xmax)) = Xmax ; %#ok<*FNDSB>%查找大于Xmax的元素
nestPop(find(nestPop<Xmin)) = Xmin ;
result = nestPop ; 
end

3.3 与上一代比较，返回较优的鸟巢 func_bestNestPop.m

function [ nestPop ] = func_bestNestPop( nestPop,new_nestPop )
%FUNC_ 此处显示有关此函数的摘要
%@author zhaoyuqiang
index = find(func_fitness(nestPop)<func_fitness(new_nestPop)) ;%与上一代比较适应度，选择一个适应度更大的更新鸟窝
nestPop(index,:) = new_nestPop(index,:) ;
%nestPop(index) = new_nestPop(index) ;
end

3.4 根据发现概率，舍弃一个鸟巢并建立一个新鸟巢 func_newBuildNest.m

function [ nestPop ] = func_newBuildNest( nestPop ,Pa ,Xmax,Xmin)
%FUNC_NEWBUILDNEST new solutions are generated by using the similarity 
% between the existing eggs/solutions and the host eggs/solutions with a discovery rate pa .
%@author zhaoyuqiang
[N,D] = size(nestPop) ;
%%根据发现概率发现鸟蛋，舍弃鸟窝
nestPop = nestPop+rand.*heaviside(rand(N,D)-Pa).*(nestPop(randperm(N),:)-nestPop(randperm(N),:));
% Deal with bounds
nestPop(find(nestPop>Xmax)) = Xmax ; %#ok<*FNDSB>建立新的鸟窝
nestPop(find(nestPop<Xmin)) = Xmin ;
end

3.5 目标函数

function [ result ] = func_objValue( pop )
%FUNC_OBJVALUE 计算目标函数
objValue =  sum(pop.^2,2);
result = objValue ;
end

3.6 计算适应度函数

function [ result ] = func_fitness( pop )
%OBJFUNCTION 求适应度，最小值
%   待优化目标函数
% x:　种群或者个体
% result : 种群适应度
objValue =  func_objValue(pop);
result  = 4001 - objValue ;
end