在工业互联网实现智能生产制造的过程中,存在大量高度复杂的应用优化问题。启发式算法可以对这些优化问题进行简化处理,并得出合理高效的解决方案。花授粉算法是基于花卉授粉提出的一种启发式算法,具有优化效率高、可同时针对多个对象展开搜索过程等优点,已经被广泛用于解决多目标优化问题。然而,该算法也存在种群丰富度低、跳出局部最优解能力较弱等缺点。因此,本文针对花授粉算法存在的不足,分别设计了面向低维度和高维度优化问题的改进算法,并将两种算法应用于解决相应的实际优化问题,从而验证所提算法的有效性。本文主要工作包括以下两个方面:（1）提出了一种基于非线性跨代差分进化的花授粉算法。该算法利用跨代信息的传递增强搜索的精度,适用于解决低维度的优化问题。具体地,通过跨代差分进化引导个体逼近最优解,使算法的局部搜索过程具备导向性。同时,通过进行参数自适应调整机制实现动态更新缩放因子和交叉概率,从而提高种群丰富度,并采用跨代赌轮盘方式降低陷入局部最优解的概率。为验证本算法的有效性,本文将其用于解决无人机智能巡检的路径规划问题。仿真实验结果表明,该算法在优化问题低于30维度时具有较好的寻优精确度、稳定性和收敛特性。当维度较高时,跨代信息的传递使算法跳出局部最优解的能力有限,因此该算法求解高维优化问题时有一定的局限性。（2）提出了一种基于三重差分进化的花授粉算法。该算法利用外部存档技术驱动搜索过程,持续淘汰种群内部的较差解,因此相较于非线性跨代差分进化的花授粉算法,在求解较为复杂的高维优化问题时更有优势,并且能有效提升种群丰富度,在全局搜索过程中具备导向性。算法中设计了有助于快速收敛的差分进化策略和提供搜索个体进化方向的外部存档,以提升花授粉算法搜索过程的开发与勘探能力。为验证本算法的有效性,本文将其应用于数据挖掘中遇到的聚类优化问题。仿真实验结果表明,该算法相较于对比算法,在优化问题高于30维度时具有更好的精确度和聚类成功率。