跟很多受自然启发的元启发式算法一样，乌鸦搜索算法(CSA)也是受了乌鸦的启发。通过模拟乌鸦隐藏和取回食物的行为提出的一种新型群体智能优化算法。该算法具有结构简单、控制参数少、易于实现的特点。像大多数优化算法一样，乌鸦搜索算法也存在收敛速度慢、容易陷入局部最优的缺点。
为什么使用乌鸦搜索算法？
独立收集来自不同事物的响应，然后将所有响应作为一个整体计算以找到问题的最佳解决方案。通过这种方法，可以找到针对特定问题的最佳解决方案，这就是采用乌鸦搜索算法(CSA)的原因。
简单地说，去中心化、自组织的集体行为概念用于解决特定问题。
乌鸦行为逻辑
乌鸦被认为是所有鸟类中最聪明的。他们在镜像测试中表现出自我意识和制造工具的能力。乌鸦可以识别对方的脸，并在敌对者接近时相互警告。此外，他们可以使用工具，以复杂的方式进行交流，并在几个月后回忆起他们用餐的位置。
乌鸦搜索算法(CSA)逻辑
这种元启发式的目的是让给定的乌鸦能够跟随另一只乌鸦找到其隐藏的食物位置。在整个过程中，乌鸦的位置不断迭代更新。此外，当食物被偷时，乌鸦必须改变它的位置。
算法设定存在有许多乌鸦的d维环境。向量指定乌鸦的数量，即群体大小，以及搜索空间中每次迭代时乌鸦的位置。每只乌鸦都有一个记忆，存储着它的藏身之处。乌鸦藏身之处的位置在每次迭代中都会显示出来。
假设在下一次迭代中，乌鸦想要去它的隐藏位置，这是前一个乌鸦指定的。在这个迭代中，第一只乌鸦决定跟随第二只乌鸦到藏身之处。在这种情况下，可能有两种结果。
第二只乌鸦不知道第一只乌鸦跟在后面。结果：第一只乌鸦会靠近第二只乌鸦的藏身之处。在这种情况下，第一只乌鸦的新位置是在0和1之间均匀分布的随机数和第一只乌鸦在迭代时的飞行长度的帮助下获得的。
第二只乌鸦知道第一只乌鸦跟在后面。结果为了保护它的藏品不被盗，另一只乌鸦会通过到搜索空间中的另一个位置来欺骗第一只乌鸦。
在乌鸦搜索算法(CSA)中，感知概率参数主要负责强化和多样化。乌鸦算法更倾向于通过降低感知概率值来搜索当前最优答案所在的局部区域。
当感知概率值增加时，算法在已有结果的区域搜索的可能性就会下降，乌鸦搜索算法(CSA)会更倾向于随机探索搜索空间。因此，使用高意识概率参数值可以增强算法结果的多样性。
