飞蛾火焰优化算法是Seyedali Mirjalili受飞蛾在夜间使用横向定位飞行这一生物行为的启发,于2015年提出的一种新型的元启发式算法,通过记录最好位置以及螺旋搜索实现对优化问题的求解。在对飞蛾火焰优化算法的研究中,对基本算法进行改进以提高算法的优化性能与搜索效率,并且扩展算法的应用领域始终是研究工作的重点。本论文围绕这两个研究主题,对基本的飞蛾火焰优化算法进行改进,并用于解决一些复杂的优化问题。具体工作如下:(1)提出一种基于维数学习和二次插值的飞蛾火焰算法并用于数据聚类问题。针对K-means算法对初始聚类中心敏感和容易陷入局部最优的问题,首先提出一种基于维数学习和二次插值的飞蛾火焰优化算法以提高基本算法的求解精度和收敛速度。采用Tent混沌映射产生多样性较好的初始种群,增强算法的全局搜索能力。对火焰位置采用维数学习策略生成更优良的火焰来指导飞蛾寻优,以提高算法的搜索效率。把二次插值法引入基本算法产生新的飞蛾个体,增强算法的局部开发能力,从而更好地平衡算法的探索与开发能力。选取标准测试函数进行数值实验,并与性能较好的元启发式算法进行比较,实验结果和策略有效性分析表明:所提出的算法具有更高的求解精度和更强的鲁棒性。然后使用新提出的基于维数学习和二次插值的飞蛾火焰优化算法来优化聚类中心的位置。UCI数据集的实验结果表明,使用新提出的算法计算得到的聚类中心可以使K-means算法的聚类效果有明显地提升。(2)提出一种融合学习策略和邻域搜索的飞蛾火焰算法并用于作业车间调度问题。针对以最小化最大完工时间为目标的作业车间调度问题,首先提出一种融合学习策略和邻域搜索的飞蛾火焰优化算法以降低基本算法陷入局部最优的概率并提高种群多样性。将拟反向学习策略嵌入到火焰更新过程,有助于火焰从局部最优中跳出,并且提供了更高的机会接近问题的未知最优解。对飞蛾种群基于适应度值分群,其中一个子群采用排序配对学习策略以实现个体间的信息交流,另一个子群采用邻域搜索策略以增加种群多样性,这种并行计算能更快地提升整个种群的质量。选取标准测试函数和CEC2017测试函数进行数值实验,并与先进的元启发式算法以及它们的改进算法进行比较,测试结果和统计分析表明所提算法的求解精度和稳定性得到了改善。然后将新提出的融合学习策略和邻域搜索的飞蛾火焰优化算法用于OR-Library中标准实例的求解,测试结果验证了所提算法对作业车间调度问题是有效的。