群智能算法优化一直是科学和工程研究的热点问题,其蕴涵的仿生学机制和启发式思想使解决工程数学优化问题的方法变得非常快捷和优雅。蜻蜓算法(DA)是一种较为新颖的群智能算法,控制参数少,原理简单,能较好地应用于函数寻优。本文仔细研究了蜻蜓算法,并对基本蜻蜓算法的背景意义、研究现状、灵感来源、算法的设计和实现、仿真结果进行深入的分析和讨论,并给出蜻蜓算法的收敛性详细证明过程、伪代码和流程图。再次,根据蜻蜓算法的基本理论步骤和运行结果,分析算法的优点,也指出算法存在的缺点。在此基础上,运用三种策略(贪婪、平衡、组合)对蜻蜓算法进行改进,提出增强个体信息交流的蜻蜓算法(EIDA)。贪婪策略是对蜻蜓算法种群历史最优解的保留,平衡策略是对蜻蜓算法全局搜索和局部开发过渡的优化,组合策略是对蜻蜓算法种群位置更新的改进。本文详细描述了EIDA的参数选择、执行步骤和流程图,并分析了EIDA的种群多样性和收敛性。接着,本文使用七个基准测试函数对DA、EIDA、ABC和PSO进行了仿真实验测试,使用最优解、最差解、平均解、均方差四个指标去评价这四个群智能算法的性能,还画出了四个算法寻优时的平均收敛曲线图。仿真测试表明,EIDA能有效地改善原DA的性能,提高原DA的寻优能力,特别地,高维多峰函数的寻优结果体现了EIDA收敛速度更快,寻优精度更高,对抗局部极值的能力更强。最后,对传统的时间序列预测方法存在的不足之处进行说明,并尝试把群智能算法与神经网络相结合,以提高时间序列预测的精度。本文尝试把EIDA与Elman神经网络这两种单一的算法进行有机的融合,提出EIDA-Elman时间序列预测模型,最大程度地发挥两者的优点。引入EIDA是为了解决Elman神经网络在训练过程中权值和阀值容易陷入局部最优解的问题。在详细描述EIDA-Elman模型的原理、算法步骤的基础上,将其应用于微博话题热度预测问题,并进行仿真测试。使用均方误差和相对误差两个常用指标对EIDA-Elman预测模型进行评价。对微博话题的测试结果表明,EIDA-Elman预测模型的训练情况好,预测精度高。