磷虾群算法是一种新兴的群智能优化算法。该算法易于编程实现,在用于求解全局优化问题时具有快速收敛性,一经提出便受到研究者们普遍关注,并在计算机、通信、机械、神经网络训练和电力系统等领域得到应用。与其它智能算法相比,磷虾群算法在收敛性方面具有显著优势。作为一种新的群智能算法,磷虾群算法的理论研究有待完善,算法本身需作改进,其应用实践的领域仍需进一步拓展。本文在分析磷虾群算法原理的基础上,对算法进行研究,并通过仿真实验进行验证。本文的主要研究内容如下:1.对标准磷虾群算法(KH)进行分析,深入了解其模型构造。在磷虾群算法中存在着大量的参数,而部分参数的选取对算法的性能具有重要影响,对此,将算法中觅食惯性权重、最大觅食速度和步长缩放因子这三个重要参数进行大量的测试实验,以了解它们对算法性能的影响,进而给出合理的选取途径,在一定程度上,能够提升算法性能。2.提出一种自适应惯性权重的改进磷虾群算法(AKH)。通过理论推导可知,标准磷虾群算法在求解全局优化问题的过程中出现大量的无效迭代是受惯性权重的影响,进而对算法做出改进,在算法迭代过程中,根据适应度值将种群粒子分成两类:适应度值变差粒子和适应度值变优粒子,然后动态调整惯性权重,将适应度值变差粒子的惯性权重重置为零,减少惯性权重的不良影响,而适应度值变优粒子的惯性权重则保持不变。数值实验结果表明,AKH能够有效地减少算法的无效迭代次数,增强了算法的收敛精度,提升了算法性能。