飞蛾火焰优化算法(MFO)是澳大利亚学者Seyedali Mirjalili于2015年提出的一种新颖群体智能算法。飞蛾和火焰是该算法的两个构成部分,其探索和开采之间的平衡问题通过横向定位导航机制来解决。飞蛾火焰优化算法具有参数简单,容易实现等优点,因此,自被提出以来便成为国内外学者研究的热点之一,并在诸多领域得到实际的应用。然而,飞蛾火焰优化算法存在早熟收敛,易陷入局部最优和寻优精度低等缺陷。在某种程度上,这些缺陷限制了该算法的应用范围。本文针对飞蛾火焰优化算法存在的不足做了一些改进,并将改进后的算法应用于实际工程优化和K-means聚类的优化问题中,其目的在于提高飞蛾火焰优化算法的优化性能,扩展其应用范围。具体来说,本论文的主要成果包含如下两方面:1.针对飞蛾火焰优化算法存在的早熟收敛,求解精度低的问题,提出一种基于混沌初始化和高斯变异的改进的飞蛾火焰优化算法(CGMFO)。首先,采用混沌立方映射对飞蛾种群进行初始化操作,使飞蛾更均匀地分布于搜索空间;其次,应用高斯变异对种群中少数较差个体进行扰动以增强算法跳出局部最优的能力;最后,通过阿基米德曲线扩大搜索范围,提高算法对未知领域的探索能力。一系列的实验结果表明,改进后的算法能明显提高解的精度和算法的收敛速度。此外,将改进后的飞蛾火焰优化算法应用于实际工程优化问题也取得了较好的效果。2.为解决传统K-means算法对初始聚类中心的选取较敏感,易陷入局部最优的问题,提出一种多策略动态自适应飞蛾火焰优化算法(MMFO)。该算法在飞蛾火焰优化算法中引入反向学习策略,精英策略和动态自适应权重策略,以增强算法的全局搜索能力,提高算法的收敛速度和求解精度。将改进后的飞蛾火焰优化算法应用于K-means算法的聚类中可以显著提高聚类的可靠性和稳定性。