现实中存在很多优化问题,因此也产生了很多优化算法,有经典优化算法和群体智能优化算法.前者是采用确定性规则的方式,而近年来比较热门的群体智能优化算法则使用概率转移方式,即利用各种随机因素结合元启发方式,让群体中的许多个体同时并行搜索解空间,在搜索过程中个体通过协作竞争来达到有效搜索.群体智能算法具有随机性高,自适应强,并行搜索和鲁棒性好等特点,因此被广泛用在求解复杂优化问题上.烟花算法也是群体智能算法的一种,我们通过对增强烟花算法的深入研究与探索,从而提出一些对增强烟花算法的改进思路与方案,并对改进的增强烟花算法提出多目标烟花算法.具体的工作内容和创新研究为如下方面:1)自适应爆炸半径和差分变异.增强烟花算法虽然改进了烟花算法许多方面的缺陷,但自身仍然存在不足,比如计算爆炸半径的方式不够理想,搜索速度较慢和寻优效果对有些测试函数性能不够好等.因此,我们提出最大爆炸半径为模拟退火因子,使爆炸半径随着迭代次数的变化自适应地发生改变.针对算法容易陷入局部最优解问题,我们使用差分变异使粒子跳出局部最优解范围.自适应爆炸半径和差分变异的增强烟花算法能够大大加快测试函数的求解速度,并且求解精度也得到一定的提高.我们将改进算法与原始的烟花算法和增强烟花算法在10个Benchmark函数上进行了实验对比.实验表明改进的算法效果明显优于增强烟花算法.2)基于上述算法,我们提出了一个自适应爆炸半径的双变异增强烟花算法.与上述不同的是,算法在每次迭代过程中产生爆炸火花后选择火花并进行排序,让排名前二分之一的火花侧重于全局搜索,对排名后二分之一的火花侧重于局部精细搜索,两种变异方式独自运行并行搜索,改进后的算法与原始的烟花算法、增强烟花算法和自适应爆炸半径和差分变异的增强烟花算法在10个Benchmark函数上进行了实验对比.实验表明改进的算法效果明显优于增强烟花算法.3)最后,我们将改进的增强烟花算法应用于多目标问题中.我们提出了一个基于NSGA-Ⅲ的多目标烟花算法,将NSGA-Ⅲ中每次参考点的密度作为烟花算法的适应函数值,即当种群的个体所关联的参考点密度较大时,烟花爆炸半径较大,产生较少的火花,反之产生较多火花而爆炸半径较小.实验表明基于NSGA-Ⅲ的多目标烟花算法性能优异.