本文为了提升萤火虫算法（Firefly algorithm FA）的求解能力及其在相关应用中工作效率,围绕粗糙数据推理理论的研究,对传统萤火虫算法进行了优化,并将结合粗糙推理理论的萤火虫算法应用于电力系统经济调度中。针对涉及阀点效应、网损、爬坡约束以及动态调度的电力系统问题,提供了一个可行的解决方案。本文的主要工作如下:（1）对文中涉及到的基础理论进行了详细分析,详细描述了粗糙数据推理理论中粗糙集和推理空间等相关概念,讨论了粗糙数据推理理论的推理过程,提取出了等价关系推理和关联关系推理两个推理理论,为之后的算法优化提供了有力的理论基础;细致阐述了基本萤火虫算法的原理和迭代机制,并对其中参数进行了优化调整,加快了算法的收敛速度,便于后续章节的研究;最后对考虑阀点效应的电力系统调度模型以及动态调度模型进行了完整的研究和分析。（2）通过分析FA的固有劣势和缺点,结合粗糙推理理论提出了一种优化算法——基于混沌优化与粗糙推理的萤火虫算法。首先,在该算法中加入混沌优化的初始化方式,目的在于提高初始化种群的种群多样性,提升算法的稳定性;并且利用混沌优化使种群在求解范围内近似均匀分布,为使用粗糙数据推理提供良好的数据基础;其次,通过粗糙数据推理理论来优化算法迭代过程,提升算法求解精度;最后对优化算法进行了多组实验分析来测试算法性能。将改进算法应用于考虑阀点效应的电力系统调度中,通过与其他算法比较的仿真实验,验证算法的优势与不足。（3）根据粗糙推理理论以及前文提出的优化算法的不足对算法进一步改进。为了使算法能更好地与实际应用相结合,在提升算法求解精度的同时保证算法的收敛速度,提出一种基于粗糙推理理论的多策略萤火虫算法。该算法主要提出三种不同策略来进行优化:（1）结合贪婪算法中的选择机制,提出吸引度选择策略;（2）采用近似关系推理策略优化算法迭代过程;（3）利用等价关系推理策略,提升算法在陷入局部最优时的逃脱能力。使用CEC2013标准测试集对改进算法进行了测试,并对测试结果进行分析。将该优化算法应用于电力系统动态调度模型中,并进行仿真实验,算例分析表明,相比于其他方法,该方法在求解精度和算法收敛速度上都有明显优势。