在实际优化领域,优化问题往往属于多模态优化问题,该类问题往往存在多个全局最优解以及具有价值的局部最优解。传统的智能优化算法在优化过程中往往难以获得多个最优解以及有价值的局部解,因此,多模优化算法成为了优化领域的一个重要研究方向。近年来,虽然多模优化算法取得了不错的研究成果,但均存在一些不足。为此,本文基于斐波那契树优化算法(Fibonacci Tree Optimization,FTO),通过在该算法中引入距离参数,提出一种适用于多模优化的FTO算法。该算法保留了基本斐波那契树优化算法的寻优特点,在优化过程中全局探索与局部寻优交替进行,通过斐波那契树结构存储下寻优过程信息,以实现搜索信息的共享与存储记忆,利用距离参数实现算法的多模寻优能力,最终使得算法具有较强的全局最优性与多模寻优能力。本文首先介绍了斐波那契树优化算法的基本思想、算法结构,并给出了基本FTO算法的实现流程。接着对基本FTO算法的多模特性进行分析,通过分析发现,基本FTO算法的寻优原理决定了其具有较强的全局最优能力而缺乏多模能力。为此,本文通过详细讨论分析后,发现在算法中加入距离参数即能解决算法多模优化能力弱的问题,并给出了加入距离参数后的FTO算法实现流程。接着通过设计实验来验证算法的特性及有效性。在本文实验部分,首先利用10个不同特性的多模态测试函数,对算法的特性进行了全面分析讨论。实验结果验证了改进后的FTO算法具有较强的多模优化能力;讨论了改进后的FTO算法中的距离参数、算法结构大小对多模优化的影响;证明了改进后的FTO算法在多模态寻优问题中具有较高的普适性及稳定性。之后将改进后的FTO算法与不同多模优化算法的寻优结果相比较,实验结果表明了改进后的FTO算法是一种可行且高效的多模优化算法,算法不受测试问题的影响,寻优稳定性强、成功率高且有较好的收敛精度。最后,将改进后的FTO算法应用到一种实际优化问题中—电力变压器优化设计,优化结果表明,算法能得到多组满足设计要求的方案,并且每组方案结果都优于人工原始方案,所需时间也远远低于原始方案。验证了算法在实际工程优化问题中具有明显优势和应用前景。