本文在详细分析了布谷鸟算法(CS)的特点之后,根据相关应用背景,对布谷鸟算法(CS)进行了一系列改进。仿真实验证实了改进布谷鸟算法(CS)的有效性,并将改进算法应用于非线性Hammerstein模型辨识。具体内容如下:(1)首先详细介绍了近十年来发展迅速的布谷鸟算法(CS),布谷鸟算法(CS)是一种新型群智能寻优算法。通过详细分析布谷鸟算法(CS)的工作原理,了解到布谷鸟算法(CS)作为一种群智能寻优算法,产生新解的方式是levy飞行。本文依据不同的系统辨识需求提出了两种改进的布谷鸟算法TTCS和GMDA,并将其作为相应系统辨识参数寻优的强有力的工具。(2)针对于单输入单输出的非线性Hammerstein模型进行研究。以往大多数非线性Hammerstein模型的研究多数为基于解析方法,研究难度大,尤其非线性部分本身很难提炼出解析解。针对这类问题,本文尝试利用模块化非线性系统辨识方法,提出利用函数连接型神经网络(FLANN)来近似Hammerstein模型的非线性部分。相应的,为了对上述提出的模块化模型参数进行辨识,本文提出利用一种典型重尾分布学生t分布以及由学生t分布产生的在区间(0,1)之间的序列来对布谷鸟算法进行改进。文章第三章的仿真实例证实了改进算法(TTCS)在处理单输入单输出Hammerstein模型参数辨识时的有效性。(3)针对重尾噪声影响下多输入多输出系统Hammerstein模型的辨识问题进行研究。以往系统辨识问题多数是在白噪声及基于白噪声的有色噪声假设下进行研究。近年来研究发现在一些复杂工业问题中,将噪声假设为高斯噪声类,相对来说显得有些过于保守了。不少的研究发现,一些系统中有离群点的出现。然而针对于此类非高斯噪声影响下的非线性系统辨识尚没有比较统一的解析方法。本文尝试采取模块化系统辨识方法,利用径向基函数(RBF)神经网络,将此类辨识问题转化为一种参数优化问题。利用本文提出的一种改进的布谷鸟算法(GMDA)来解决上述优化问题。文中第四章的仿真实例证实了 GMDA在解决此类问题时的有效性(4)探索了利用智能寻优算法训练神经网络的可能性。在(2)和(3)中,对于函数连接型神经网络(FLANN)和径向基(RBF)神经网络训练没有采用传统的梯度下降算法,而是将神经网络的训练转化为参数寻优问题,从而将以往需要凭人工经验给出的相关参数也转化为了可以利用智能寻优算法训练的值。降低了神经网络训练的难度,减小了训练复杂度。