El algoritmo de búsqueda del cuco (CS) es un novedoso algoritmo de optimización de inteligencia de enjambre, que se aplica con éxito para resolver algunos problemas de optimización. Sin embargo, tiene algunas desventajas, ya que es fácilmente atrapado en soluciones óptimas locales. Por lo tanto, en este trabajo, se propone una nueva extensión de CS con tamaño de paso de aprendizaje y operador genético, a saber, el algoritmo de búsqueda del cuco de tamaño de paso dinámico (DMQL-CS). La estrategia de control del tamaño de paso se considera como acción en el algoritmo DMQL-CS, que se utiliza para examinar el efecto de evolución multietapa individual y aprender el tamaño de paso óptimo individual mediante el cálculo del valor de la función. Además, se agregan operadores genéticos al algoritmo DMQL-CS. Las operaciones de cruce y mutación expanden el área de búsqueda de la población y mejoran la diversidad de la población. Comparando con varios algoritmos de CS y variantes de la evolución diferencial (DE), los resultados demuestran que el algoritmo DMQL-CS es un algoritmo de enjambre competitivo. Además, el algoritmo DMQL-CS se aplicó para resolver el problema de la ubicación del centro de distribución logística. La efectividad del método propuesto se verificó comparándolo con la búsqueda del cuco (CS), el algoritmo de búsqueda del cuco mejorado (ICS), el algoritmo de búsqueda del cuco mejorado con caos modificado (CCS) y el algoritmo genético inmune (IGA) tanto para 6 como para 10 centros de distribución.