细菌觅食优化算法(Bacterial Foraging Optimization algorithm,BFO)是一种基于大肠杆菌的觅食行为的自然启发式优化算法。由于其简单性和有效性,BFO已广泛应用于许多工程和科学领域。然而,BFO算法存在收敛速度慢、无法跳出局部最优解、步长固定等缺点。为了克服原始BFO存在的弱点,在本文中,提出了2种改进的BFO算法,并将提出的改进BFO算法应用于工程优化问题、疾病诊断、金融风险预测等实际问题。本文的主要贡献如下:1、为了在BFO算法寻优过程中,实现原始BFO在探索和开发能力之间更合适的平衡,本文引入混沌操作提出了一种改进的BFO,称为Chaotic BFO。具体而言,将混沌初始化策略并入BFO中以进行细菌种群初始化,从而在所提出算法的整个早期步骤中实现加速;然后,将具有“收缩”策略的混沌局部搜索引入到趋化性步骤中,以逃避局部最优。通过与其它10种竞争性元启发式算法进行比较,在23个众所周知的基准函数上验证了Chaotic BFO的性能。此外,它已应用于IEEE CEC2011的两个实际例子中,以及两个经典的工程设计问题。实验结果表明,在大多数情况下,Chaotic BFO在收敛速度和解决方案质量上均优于同类产品。本文提出的Chaotic BFO算法,对于促进BFO算法的研究、改进和应用具有重要意义。2、此外,为了改变原始BFO的固定步长,增加种群的多样性,避免陷入局部最优,有利于全局搜索,从而提高算法的收敛速度和精度。本文还提出了一种具有步长自适应调整、高斯变异和基于当前最优解引导的局部自适应搜索策略的增强型BFO,称为CCGBFO。首先,利用步长自适应调整操作产生自适应趋化步长;然后,将当前细菌的最优位置与高斯变异操作相结合,充分利用当前细菌的最优位置信息;最后将基于当前最优解引导的局部自适应搜索策略引入到趋化步骤中,以保证该算法能够在早期搜索过程中找到较大的搜索空间。利用IEEE CEC2014和CEC2017等一系列数值基准函数对CCGBFO的性能进行了评估。此外,还利用CCGBFO对核极限学习机的关键参数进行了优化,以解决实际的疾病分类和金融风险预测问题。实验结果表明,该算法在收敛速度和求解精度上均明显优于原算法。