花授粉算法(Flower Pollination Algorithm,FPA)是一种受自然界中花朵授粉现象启发而提出的群集智能优化算法。算法的自花授粉和异花授粉两个过程分别对应优化算法的局部优化和全局优化阶段,由切换概率控制这两个过程的平衡,能够很好的协调算法的局部开采性能和全局勘探性能。该算法具有框架简单、搜索效率高、鲁棒性强、实现容易等特点,目前已经在特征选择问题、函数优化问题、工程优化问题、大整数规划问题等领域有着广泛的应用并取得了显著的效果。然而花授粉算法作为一种新型高效的元启发式算法,其在离散优化问题中的研究尚处于初期阶段,因此发展该算法的求解模型并拓展其应用范围具有重要的现实意义和应用价值。本文依据花朵授粉的生物学机理和花授粉算法的进化特点开展了如下两个工作:(1)为了寻求稳定、高效的多维背包问题(Multidimensional knapsack prob-lem,MKP)求解方法,提出了一种基于FPA的MKP求解方法FPA-MKP。在F-PA-MKP算法中,每个花粉对应MKP问题的一个解,且每个MKP的解包含具有对应关系的两种表现形式:实数向量形式和二进制向量形式。首先,用混沌的方式产生初始种群;然后,根据切换概率选择自花授粉操作或者异花授粉操作,把实数解带入相应的更新公式得到子代的实向量形式,并映射为相应的二进制形式;最后,在进化的过程中,结合物品的价值密度提出了一种贪婪的随机修正策略来对个体解进行优化,同时用反向学习机制同步个体解的两种表现形式。在大量的标准数据集上与另外三种元启发式算法进行了对比,无论是在解的质量还是收敛性能上,FPA-MKP算法都表现出了更强的竞争力。(2)为了更高质量地识别蛋白质网络功能模块,利用花授粉算法的寻优机制,提出了一种基于花授粉算法的蛋白质网络功能模块检测方法(FPA for Functional Medule Detection in protein-protein interaction networks,FPA-FMD)。该算法首先采用随机游走的方式对种群中的每个花粉进行编码;然后利用花授粉算法特有的自花授粉和异花授粉的寻优机制对种群进行优化,其中自花授粉采用重组策略和取优策略,异花授粉采用基于levy机制的变异策略和基于差异度的自适应变异策略,4种策略分别从不同角度协同推进了种群的进化;最后,在3个公共数据集上的仿真实验表明:本研究提出的算法与其他6种经典算法相比,整体性能优良而且在F度量和准确度两项综合指标上具有绝对优势。