近年来,随着群体智能优化算法的发展,智能优化算法已成为解决复杂调度问题的重要方法,其被广泛应用于计算机科学、工程和经济问题等领域。由于复杂优化问题存在着大量局部最优解,传统优化算法难以求解这些问题。而布谷鸟算法作为一种群体智能优化算法,由于算法的优良特性,被广泛应用于优化问题中。本文针对复杂高维数值优化问题,建立了基于群体智能的求解框架,提出了一种改进的自适应布谷鸟算法。首先,本文分析了布谷鸟搜索算法的生物学和数学原理,解释了莱维飞行分布和Mittag-leffler分布。然后,本文针对布谷鸟算法全局搜索能力较弱的缺陷,对布谷鸟算法进行了改进。新算法结合了莱维飞行及Mittag-leffler分布,提高了算法的收敛速度和求解精度。随后,本文对算法的参数进行自适应控制,根据当前解与最优解之间的距离,调整搜索空间以平衡算法的局部搜索能力和全局搜索能力。最后本文从理论上对新算法进行了收敛性分析。本文主要工作如下:(1)利用布谷鸟算法的保优策略,让算法一旦找到全局最优解,就不会跳出最优解而陷入局部最优。(2)本文将差分进化算法中的变异与交叉操作应用于改进的布谷鸟算法中。差分进化的参数自适应机制的搜索效率取决于控制参数的设置,并能够在进化过程中确定新控制参数。(3)新算法在CEC2017基准测试集上的30个函数进行了仿真测试,并与其它先进算法的测试结果进行了比较。实验结果表明在仿真和理论分析下的自适应的步长与距离相结合的方法,能够快速准确的找到全局最优值。在文章的结尾处,本文总结了整个算法研究内容,并提出了今后的研究方向。