群体智能优化算法主要通过集体的协作行为使算法在问题优化中更为有效。所有的个体在解搜索域内进行合作,以便整体走向越来越好的领域。头脑风暴优化算法是目前第一个受人类社会行为所启发的群体智能优化算法。该算法是受头脑风暴过程启发而产生的算法。它利用了人类智能处理问题的优势,是一种非常有潜力的算法,往往能够产生超出经典群体智能优化算法的结果。但是该算法和大多数群体智能优化算法一样,也存在收敛效率低和速度慢,易陷入局部最优等缺点。本论文针对基本头脑风暴优化算法的不足做了改进,引入了“竞争机制”。首先定义了多样性指数和均匀度的概念,以此作为判据挑选出最有潜力的候选种子群,从而有效提高算法的收敛速度以及执行效率。接着对该算法主要参数的设置进行了分析讨论,避免了由于参数设置不当出现的算法效率不高现象。然后通过对10个测试函数所做的Matlab仿真实验证明了改进的基于竞争机制的头脑风暴优化算法表现优越。模糊分类系统是一种用来对数据进行表示和分类的智能系统。模糊分类系统一般来说可以由领域专家根据经验构造,但是大多数情况下这种经验并不完备,而相关的数据却相对容易获得,因此如何从数据中自动构造模糊分类系统,在近年来成为研究的热点。由于此类系统具有处理模糊性对象以及某些不确定性问题的能力与灵活性,使之在图像处理、文字识别、文本分类等很多领域都有着广泛的应用潜力。尽管模糊分类系统具有很好的应用性,但它在设计过程中仍有许多困难,比如规则库的优化和隶属函数的设计问题。本论文将使用改进的基于竞争机制的头脑风暴优化算法构造一个模糊分类系统,用于模糊规则的生成及优化过程;采用简单的均匀分布方法来设计隶属函数;接着使用基于竞争机制的BSO模糊分类系统生成的模糊评分对数据样本进行分类,仿真实验结果表明在所有不同百分比的训练数据中,从灵敏度、特指度、精度三个方面与已有的AGFS分类系统相比,基于竞争机制的BSO模糊分类系统性能更好。