布谷鸟智能算法matlab文件，算法原作者编写的较简化的版本，算法较完整但是收敛条件写的过于简单（object function<用户设置则停止）

布谷鸟搜索（Cuckoo Search，CS）算法在求解连续优化问题时表现出了较好的性能，但现有的CS算法在求解旅行商问题（Traveling Salesman Problem，TSP）时收敛较慢且未能体现Levy飞行的特点，针对这些不足提出了一种新的基因-表现型的布谷鸟算法（Genotype-Phenotype Cuckoo Search，GPCS），GPCS算法首先赋予每个城市一个整数部分为城市编号的随机小数编码即基因，而此基因所表现的内容由小数和整数共同决定，小数决定城市的访问次序，整数部分代表某个城市，两个部分组合起来构成Levy飞行的邻域空间，最后根据不同的飞行结果选择重定位或替换操作。实验结果表明，GPCS算法优于同类的CS算法，也优于一些其他的群智能算法，特别在求解大规模TSP时其优势更加明显。

cuckoo_search12 是对原布谷鸟算法MATLAB程序的修改。其中的数据是参考论文《 基于布谷鸟算法的平面选址问题_宋瑞敏 》中的无约束公式和12顶点数据。 程序在MATLABr2017b测试通过。其他顶点计算只需要修改最后的函数及顶点矩阵即可。

针对K-means聚类算法受初始类中心影响,聚类结果容易陷入局部最优导致聚类准确率较低的问题,提出了一种基于自适应布谷鸟搜索的K-means聚类改进算法,并利用MapReduce编程模型实现了改进算法的并行化。通过搭建的Hadoop分布式计算平台对不同样本数据集分别进行10次准确性实验和效率实验,结果表明:a)聚类的平均准确率在实验所采用的四种UCI标准数据集上,相比原始K-means聚类算法和基于粒子群优化算法改进的K-means聚类算法都有所提高;b)聚类的平均运行效率在实验所采用的五种大小递增的随机数据集上,当数据量较大时,显著优于原始K-means串行算法,稍好于粒子群优化算法改进的并行K-means聚类算法。可以得出结论,在大数据情景下,应用该算法的聚类效果较好。

附件中是布谷鸟算法的Java版本的代码实现，可以正常运行；下载者可以根据自己的应用场景来修改。

CS（布谷鸟算法）、PSO（粒子群优化算法）源码中文逐行注释，很好的学习材料。

布谷鸟搜索算法的总结，每一个鸟巢位置对应着一组BP神经网络初始连接权值和阀值，BP网络根据连接权值和阀值对训练集进行训练，计算每个鸟巢位置对应的预测精度，并根据预测精度找到当前最优鸟巢

布谷鸟算法python代码,基于xinshe Yang的matlab m文件改编

带注释的布谷鸟算法，清晰易懂，简洁好用，可以更改适应度函数应用不同的场景。

布谷鸟搜索算法（原算法可直接运行），2009年新提出的算法，代码也是作者写的源代码，可直接运行