萤火虫算法(Firefly Algorithm, FA)是由剑桥学者Yang Xin-She提出的一种基于生物群智能的随机优化算法,是继粒子群算法、遗传算法、模拟退火算法等经典智能算法之后,又一新颖群智能优化算法,是演化计算领域中的一个新的分支。该算法通过模拟萤火虫在觅食、择偶等生活习性中产生的相互因光而吸引移动的合作行为来解决最优问题,实现寻优的目的,与最小二乘法、梯度算法、爬山算法等确定性优化方法相比,其实现较为简单,无需严格的连续、可微等条件,所需先验知识少,计算效率较高、适用范围更广。然而,萤火虫算法作为一种比较新的和快速发展的随机优化算法,相对于具有严格数学背景的梯度算法、爬山算法等确定性算法,其在系统化、应用推广开发相应硬件产品等方面上都还存在一些急待解决的问题,例如：算法过早收敛,易出现陷入局部最优现象；因控制参数选取不合适,而导致的无法收敛问题；以及包含约束条件,或者含有多个目标的优化问题的解决,等等。鉴于上述不足,本文对算法收敛性能进行了分析,并对算法关键参数对算法优化性能的影响在数学公式分析的基础上,进行了实验仿真,通过实验数据验证算法关键参数在算法优化计算过程中的作用；通过介绍、分析惯性权重与混沌思想,并将其与萤火虫算法融合,提出基于惯性权重的萤火虫算法和混沌萤火虫算法两种改进型算法,在标准测试函数的仿真测试中,实验结果表明,改进后的算法在保证较快收敛速度的同时,均衡了算法的全局搜索和局部搜索能力,算法的寻优速度和最优解得逼近程度均得到了改善；在PID参数整定与基于LuGre摩擦模型的伺服系统摩擦参数辨识问题两个具体应用问题上应用改进后萤火虫优化算法,结果表明,改进后的萤火虫算法寻优结果理想,其搜索速度及精度要优于粒子群算法和遗传算法。