自然界中的各种生物经过长期的生存繁衍、行为自适应和进化过程,提供了优美和令人印象深刻的解决大规模、高维度和非线性复杂问题的方法。大自然是智能优化计算的重要方法来源。群体智能是通过对自然界社会性生物群体智能涌现和协作的仿生构建的一类高效的智能优化计算方法,目前已经成为智能计算领域的研究前沿热点。大量的研究者仍然在致力于发展更高效、更实用的群体智能优化算法。种子优化算法(BOA)是一种基于自然界植物种群分布演化规律的新型群体智能算法。它是植物种群自然进化策略和有限随机搜索的结合,主要通过父种选择和种群分布演变两个核心策略进行优化计算,与现有的动物群体仿生的群体智能算法不同。目前,通过对植物种群空间分布格局的研究,BOA已经构建了多种典型的算法模型,包括分段函数模型,正态分布模型和负二项分布模型等。本文将从植物种群多度格局的角度,继续深入探讨种子优化算法。基于种群多度格局中典型的对数正态分布,提出了对数正态种子优化算法(Log-BOA),设计了用于算法的种群分布模型和算法架构,并对Log-BOA进行了算法实现。通过典型基准函数(包括单峰函数和多峰函数)的优化实验,与粒子群优化(PSO)和BOA等典型群体智能算法进行了性能比较,验证了算法的有效性和优异性能。为了在算法应用前验证算法的稳定性,构建了Log-BOA的马尔可夫链模型,并依据Solis和Wets提出的随机算法收敛的标准,对Log-BOA算法的收敛性做了初步分析,证明了 Log-BOA是全局收敛的。最后,在砀山梨种质资源自然保护区的项目排序推荐模型优化求解中验证了算法的有效性,通过将调查数据根据用户角色进行分类,构建模糊偏好关系模型,利用Log-BOA快速得出了面向用户偏好的项目排序和推荐,为砀山酥梨自然保护区各类人群提供个性化信息推荐。最后,对论文的全部工作进行了总结,并对未来种子优化算法的研究进行了展望。