受果蝇觅食特性的启示,著名学者潘文超于2011年提出了一种全新的群体智能元启发式演化算法——果蝇优化算法(Fruit fly optimization algorithm)。跟目前存在的一些仿生算法比较,果蝇优化算法具有独特的优势,主要体现在以下几点:算法中出现的参数较少、流程结构简单、算法实现的难度较低。但尽管如此,果蝇优化算法同样有着类似其他元启发式方法的缺陷,易陷入局部最优、多维复杂问题的优化中会出现早熟收敛现象等。为了提升基本果蝇优化算法的寻优性能,我们引入了两种全新的改进方法,并将其分别应用于Web服务组合和多阈值图像分割中,主要工作如下:(1)随着现实世界各种服务的快速增加,不同的web服务也可以具有相同的功能属性。如何从这些组合服务中选取最符合用户需求的一个候选服务集合已成为当下备受追捧的议题,吸引了众多研究者的目光。因而衍生出来许多基于服务质量(QoS)来评价服务组合优劣程度的方法。然而,绝大多数的现行方法或多或少都有其不足之处,比如可扩展性差,系统开销大,很难找到全局最优解等。因此,我们采用了一种新的搜索策略,改进算法为NSSFOA,该算法将果蝇种群分成了具有不同寻优步长的两个子种群,且各个子种群的步长随着迭代的进行动态变化。仿真实验结果表明我们提出的改进算法无论是在可行性,稳定性还是在解的质量方面都明显优于粒子群算法和差分算法。实验结果亦表明,随着候选服务集个数的增加,NSSFOA算法的性能依然明显优于其他几种比较算法。(2)多阈值分割技术目前被广泛引用到图像处理的各个领域,然而大多数多阈值分割技术都是非常耗时的。在本文中,我们提出了一种新的方法——将果蝇优化算法应用于多阈值分割。到目前为止,果蝇优化算法都尚未被用于解决复杂图像的处理问题,因此在本文中我们将果蝇算法引入到多阈值图像处理领域中。在文中,我们提出了一种基于混合自适应-群体协作学习策略的果蝇优化算法(HACLFOA)。果蝇种群被分成了具有不同进化补偿的两个子种群。此外,在每一次迭代寻优时,当前种群最优解向量的每一维解信息都会被优化,我们也会充分利用每次迭代过程中产生的临时全局最优解信息来指导果蝇种群的寻优。24个基准函数上的数值实验结果表明我们提出的算法在全局寻优能力上优于其他几种对比的改进果蝇算法。最为明显的是,在多阈值图像分割部分,广泛的实验结果表明我们提出的改进算法较经典的阈值分割算法在时间花销上有了极大的提高,而且应用前景非常可观。