群智能算法的思想来源于模拟群居生物的某些习性和行为,因其具有高效的优化处理能力已成为优化算法中的一个研究重点。作为群智能算法的一种,鸟群算法(Bird Swarm Algorithm,BSA)因具有简单、收敛速度快和易实现的特点而被广泛研究与应用,但算法因为先天缺陷,不能有效解决陷入局部最优的问题,因此对鸟群算法进行研究改进具有重要的意义。本文主要研究内容包括:(1)基于聚集度改进的多过程搜索鸟群算法。鸟群算法在寻优后期,群体中的鸟会逐渐聚集在一起,致使鸟的位置难以准确辨别,从而使得鸟的多样性变弱而陷入局部最优。本文针对鸟群算法在寻优后期极易陷入局部最优和过早收敛问题,通过引进种群聚集度的概念来描述鸟群在觅食过程中位置的变化,增加鸟群觅食的可行性搜索范围,并在鸟群寻优之后依概率重新赋值寻优位置,从而增加鸟群多样性。通过引进学习机制以克服鸟群中个体信息交流的单一性,增加鸟群内部信息流动的多样化,进而改善算法后期易陷入局部最优的状况。(2)基于两类行为策略的改进鸟群算法。针对鸟群算法迭代后期多样性较少导致早熟收敛的问题,通过自我学习系数调整鸟群算法局部最优点和全局最优点的平衡,同时采用聚集度概念来描述种群的多样性程度,并通过设定聚集程度从而对鸟群寻优后的位置进行扰动变化,增加种群的多样性,从而使得算法更易于跳出局部最优。(3)改进的鸟群算法在机械设计中的应用。在已改进的生产者所对应模型基础上,对其加以改进和完善,通过引入扰动策略使得鸟群算法易跳出局部最优,并将算法应用于实际求解机械优化设计问题,最后通过数据验证算法的求解性能。通过以上内容对鸟群算法进行深入研究,使得鸟群算法更加完善成熟,并将其应用于实际问题有着重大的意义。