近几十年,群体智能算法已经成为全世界用于解决优化问题的研究热点。传统的数学理论构建的最优化模型如梯度下降法、牛顿法、拉格朗日乘数法等,在面对日益复杂的非线性、复杂性优化问题时已经捉襟见肘。研究人员通过模仿自然界中生物的社会行为,以及根据自然现象或者物理现象提出了各式各样的群体智能算法,在设计、计划、管理、控制四个方面广泛应用。现有的群体智能算法固然简单高效且具普适性,但算法机制本身仍然会导致陷入局部收敛的问题。本文对烟花算法做出改进研究,并提出了一种新的群体智能算法——太阳系优化算法。本文的研究内容和创新成果总结如下:1)提出了一种带有动态爆炸半径的增强型烟花算法(EFWA-DER)。EFWA-DER将搜索空间等分从而避免初始解过于集中的问题;替换高斯变异和映射规则,解决基本烟花算法易于原点或原点附近寻优的缺陷;设计了双精英-锦标赛策略,在每次迭代过程中保留两种精英个体并采用锦标赛策略选择于下一代的种群,增强算法的勘探能力;引入动态爆炸半径算子,使得算法关键步骤产生自适应的变化,增强算法的开发能力以提高收敛速度和求解精度。2)提出了一种新的群体智能算法:太阳系优化算法(SSOA)。受到太阳系中太阳作为唯一恒星被8大行星围绕,行星也被各自的卫星围绕这种自然现象的启发,提出了太阳系优化算法。在太阳系优化算法中,模拟生成的“太阳系”会进行不断缩小和搜索的过程。太阳周围依次环绕八行星进行算法的勘探阶段,每个行星产生一定数量的卫星进行算法的开采阶段,通过模拟行星的更替与卫星的产生,保证了种群的多样性。