飞蛾优化算法(Moth-flame Optimization Algorithm,MFO)模拟了飞蛾在月光下飞行时横向定位的导航机制,是一种基于螺旋飞行的新型优化方法。该算法由于其结构直观,易于操作,搜索能力强,提出至今已被国内外学者广泛地应用于许多领域。但随着搜索空间维数的增加,该算法存在着易陷入局部最优,收敛速度慢和收敛精度低等缺陷,限制了其应用范围。本论文针对飞蛾优化算法所存在的不足,从编码方式和多策略融合对算法进行改进与分析,并将改进后的算法应用于解决一些复杂优化问题。目的在于进一步提高算法性能,完善算法理论基础,拓广其应用领域。本文的主要工作如下:(1)采用复值编码双倍体的思想对飞蛾优化算法的编码方式进行优化,提出一种复值编码飞蛾优化算法,增加种群信息多样性,提升了算法全局搜索能力,避免算法过早地陷入局部最优。(2)将复值编码飞蛾优化算法与近年来出现的八种复值编码版本的元启发式算法性能比较分析。在同一个实验环境下对29个基准函数(CEC2015)进行仿真实验,实验结果表明九种复值编码版本元启发式算法性能的优劣。(3)引入哈里斯鹰优化算法中能量分段策略,提出一种基于火焰能量分段复值飞蛾优化算法(ESMFO),使飞蛾个体具备感知火焰强度的能力,增强算法的勘探和开采能力。将改进后算法应用于基准函数优化问题并与不同算法进行对比实验,实验结果表明ESMFO对提升算法寻优性能是有效且稳定的,进一步提高了MFO算法的性能。(4)根据人工智能方法评估软件代价成本的模型,提出一种基于ESMFO算法的新型评估方法。该方法将NASA训练数据集提供给算法以预测常数变量的值,在完成训练并获得变量值之后,将获得的值应用于5个测试数据集,以此估算软件代价成本。实验结果表明基于ESMFO的软件代价评估方法求解软件成本估算问题相比其他方法平均误差率低,效果更优。