最优解一直是人们在工程项目中追求的目标,但随着人们研究的问题越来越复杂,规模越来越大,约束条件也越来越多,求解最优解变得愈发困难,如动态规划,组合优化随着问题规模的增长,传统方法无法在有效时间内得到最优解,而元启发式算法在求解这些问题上有着独特的优势。蝙蝠算法是元启发式算法中的一种,具有参数少、结构简单、收敛速度快、能很好平衡局部搜索和全局搜索等优点,被广泛应用到许多领域。本文对该算法进行深入分析和研究,针对其不足进行改进,以提升蝙蝠算法的优化性能。主要包括以下几个方面:(1)原始蝙蝠算法通过频率f改变蝙蝠飞行的步长,向当前最优解学习,步长是随机的。为了加速收敛,在改进蝙蝠算法中,依据蝙蝠与种群中当前最优位置的距离大小而选择不同的更新策略。若距离较远,则向最优位置随机飞行一段距离,若距离较近,表明该蝙蝠就在最优位置附近,则就在附近随机搜索。(2)通过分析蝙蝠的飞行轨迹,发现造成早熟的原因主要是蝙蝠种群多样性下降,仅仅依靠当前全局最优解指导其他蝙蝠寻优,没有跳出局部最优值的机制。因此,将量子行为的蝙蝠引入到蝙蝠算法中,以利于增加种群的多样性跳出局部最优解,避免算法早熟。(3)在搜索时,不但通过当前全局最优解指导其他蝙蝠寻优,而且依靠所有蝙蝠平均最好位置指导蝙蝠寻优,平均最好位置考虑了种群中各蝙蝠经历过的最好位置,使得远离最好位置的蝙蝠飞行到其附近,有助于加快算法的收敛速度。为了验证改进蝙蝠算法的有效性,通过标准测试函数对算法的寻优能力进行测试,仿真实验结果表明,改进蝙蝠算法能有效提高寻优精度,加快算法的收敛速度。为了拓展蝙蝠算法的应用范围,将蝙蝠算法应用在认知无线电中的频谱分配。由于频谱分配问题是离散域优化问题,因此,需要对蝙蝠算法进行离散化处理。针对基于图论模型下频谱分配,离散化处理后的蝙蝠算法(二进制蝙蝠算法)的优化结果并不好。因此,对二进制蝙蝠算法进行改进,以提高系统效益。主要从以下几个方面进行改进:(1)将蝙蝠算法的选择策略改为贪婪选择,增强了蝙蝠算法在当前位置的开发能力。(2)统计种群中各蝙蝠经历的最好位置的分布情况,利用蝙蝠位置的统计特性指导蝙蝠寻优,加快算法的收敛速度。在局部搜索时,直接在离散域操作,减少实数到二进制的映射,缩短搜索时间。将改进后的蝙蝠算法应用于频谱分配,并与其它算法进行仿真对比,实验结果表明,本文算法在效益优于过去的算法的情况下收敛速度更快。