在工程设计、科学研究和军事管理等众多领域中常常都会涉及到很多的最优化问题,最优化问题在人们的日常生产生活实践中也几乎无处不在,如物流方面、家庭理财方面等等。从通俗意义上来讲最优化问题是指在众多可行的方案中寻找出满足特定要求的最好的方案。为了解决这类问题,学者们研究出了各种不同的优化方法,如牛顿法、最小二乘法、梯度下降法和拉格朗日乘数法等等。但是随着生产技术的发展和人类实践活动的增多,人们在实际生活中遇到的很多优化问题越来越来复杂,如强约束性、多极化等等,早期的传统优化方法已经无法满足需求了。因此,寻找面向复杂优化问题且具有智能特性的新型优化方法成为一种迫切需要。在20世纪50年代中期,人们从社会性动物的群体行为中得到启发,成功地提出了很多用于解决一些复杂的优化问题的随机型优化算法,如粒子群算法、遗传算法、蜂群算法等。而且这些群智能优化算法在解决复杂的优化问题时表现出很大的潜力,具有很强的适应性和鲁棒性等等。烟花算法(Fireworks Algorithm,FWA)是近几年发展起来的一种新兴的全局优化群智能算法。该算法是由谭营教授等人在2010年提出的,其主要思想来源于夜空中烟花爆炸产生火花这一自然现象的模拟。由于烟花算法优点明显,收敛速度快,容易实现还具有爆发性、多样性、简单性和随机性等特点,逐渐受到国内外众多研究者的广泛关注,也成为近年来的一个热门研究方向。烟花算法不仅用于解决优化问题,在实际工程中的应用也表现出强大的潜力,目前已经被应用于图像分割、旅行商问题、0/1背包问题、配电网重构优化和滤波器设计等众多领域中。但现阶段对烟花算法的研究和应用还是很初步的,在有些方面还很肤浅,如子烟花间的交互机制的研究、动态优化问题的求解等,另外,烟花算法还存在一些不足,如寻优精度较低且容易陷入局部最优。因此,对烟花算法的改进和应用领域的拓展成了一个研究热点。首先,本文对烟花算法的一种改进算法即动态搜索烟花算法(Dynamic Search Fireworks Algorithm,dynFWA)的进化方式进行了研究分析,对算法进行了改进,提出了 一种具有学习因子和自适应趋向性的动态搜索烟花算法,称为改进的动态搜索烟花算法(Improved Dynamic Search Fireworks Algorithm,IdynFWA)。改进算法中的学习因子充分利用搜索过程中历史成功信息,使得烟花个体能够向群体中的"优良"搜索信息学习,从而可以自适应调整大小,并且学习因子的两种不同产生方式有助于平衡算法的局部搜索和全局搜索能力。为了证明本文所提出的改进算法的优化特性和有效性,文中对改进算法、基本算法以及其他代表性算法进行了一组优化问题的国际标准测试函数的实验仿真,并对实验结果进行对比分析,结果表明改进的动态搜索烟花算法在一定程度上避免了基本算法的容易早熟收敛的缺陷,并且寻优精度也有所提高。其次,通过将动态搜索烟花算法应用到特征选择(也称为特征提取)的子集生成过程中,提出了基于动态搜索烟花算法的特征选择方法。特征选择是指从一个完整的原始数据特征集合中选择出最优特征子集的过程,并且通过特定的评价标准去评估所选特征子集的优劣性。特征选择在机器学习、模式识别和数据挖掘等诸多领域中有着很广泛的应用,其也是影响分类器分类效果的关键问题之一。该方法在子集生成阶段结束时产生的最终可行解的每一维是0/1整数编码,0和1代表其所对应特征是否被选择。接着,用分类错误率作为适应度函数来评估所选特征子集的优劣,适应度函数值越小即分类错误率越小,说明当前所选的特征子集越好。因此,选取最优特征子集就是寻找使适应度函数(分类错误率)取得最小值的可行解。文中将该方法与其他特征选择方法进行了一系列对比实验,结果表明基于动态搜索烟花算法的特征选择方法能有效地移除不相关特征,提高分类准确率。