蝴蝶优化算法是根据蝴蝶之间的觅食行为规律而提出的一种群体智能算法,该算法数学模型简单,寻优能力较强,已成功应用于解决工程技术问题。然而蝴蝶优化算法存在容易陷入局部最优、搜索精度低和收敛速度慢等缺陷。针对该算法的以上缺陷,本文提出一种基于逐维搜索与佳点集的改进蝴蝶优化算法。引入佳点集算子,能够均匀初始化种群,增加种群的多样性,避免陷入局部最优。引入逐维搜索算子,对每一代最优个体的每一维展开局部探索,若某一维探索效果好,就用新的维值替代该维原来的值。这就可以提高蝴蝶算法的收敛速度和求解精度。在24个基准测试函数和6个对比的智能群体算法上进行仿真实验,验证了该算法在搜索精度、收敛速度和稳定性等方面具有良好的优化性能。本文提出了一种新的多模态优化算法,称为多模态蝴蝶优化算法(MBOA)。该方法将蝴蝶优化算法与三个策略相结合。第一个策略涉及一种存储机制,它允许根据蝴蝶的适应值和与其它潜在解之间的距离来有效地记录潜在的局部最优。第二个策略旨在加速潜在的局部最优值的检测过程。最初的BOA搜索策略主要由迄今为止发现的最优个体(全局最优)进行。在第二个策略的作用下,BOA搜索策略被修改为受存储机制中包含的个体的影响。第三个策略是净化程序,它的作用是消除可能代表相同最优值的类似解。在6个基准函数上做了测试,该算法可以基本找出函数的全部全局最优解和局部最优解。将改进的蝴蝶优化算法用于优化支持向量机参数,并在4个UCI数据集和入侵检测数据集KDD CUP99上进行测试。实验结果表明,相比原算法和其它6个群体智能算法,本文提出的改进蝴蝶算法能够选取更优的SVM参数,取得了更好的分类精度和稳定性。