智能优化算法是以自然界中基本理论或数学模型为基础的一类重要启发式算法,具有对初始条件不敏感、操作简单易于理解且无需限定目标函数等优势,其已成为解决复杂优化问题的有效技术手段,并在优化机器学习算法的应用中凸显高效性和优越性。但智能优化算法通常存在初始化随机性强、局部优化差、关键参数设置固化等劣势,易导致算法逃逸局部极值性能偏弱,全局探索与局部搜索能力平衡性偏差的情况发生。因此,基于最优化理论与机器学习算法优化的研究背景,考虑到智能优化算法的局部开采性能与全局优化能力,研究智能优化算法的改进策略并将改进算法应用到机器学习的优化问题中具有重要的理论价值与现实意义。本文以传统的绯鲵鲣优化算法为基础,针对其步长参数设置固定不变、易陷入局部最优等问题,从增强算法搜索覆盖性和算法多样性出发,设计动态化的步长因子递变函数以实现算法在搜索空间内高效全面的寻优目的,同时借鉴Fuch混沌映射理论对当前最优解展开局部再开采的强化模式以完成对传统算法的局部优化,利用数值实验的研究方法对改进算法的数学模型进行测试对比,对其改进后的优化性能进行系统性的研究与分析。最后将改进的绯鲵鲣优化算法应用到机器学习中极限学习机算法的参数组合优化问题中,并与其他群体智能优化算法的极限学习机分类模型进行对比实验以验证融合改进策略的绯鲵鲣算法优化极限学习机参数模型的高效性和优越性。研究表明,两种改进策略增强了绯鲵鲣算法搜索的覆盖性及寻优的精准性,并优化了全局探索能力和局部开采能力。动态步长因子的递变模式有利于提高算法的搜索效率并扩大寻优范围,混沌增强机制以Fuch映射理论出色的混沌特性与较好的局部收敛性能完成了对绯鲵鲣优化算法的局部搜索性能的改善。融合方法实现了绯鲵鲣优化算法全局探索与局部搜索能力间的多轮动态迭代平衡,在一定程度上增加了原算法的多样性,并以算法良好的并行迭代寻优性能与稳健性成功规避了原算法早熟收敛的现象。经改进的绯鲵鲣算法优化后的极限学习机模型在提升极限学习机分类准确率的同时减少了算法的无效迭代,使算法能有效跳出局部极值。同时基于改进绯鲵鲣算法优化极限学习机参数的优化模型相较于其他群体智能算法的优化模型具有更高的分类准确率和更好的算法稳定性,并且具有更强的最优解搜索能力,同时在最坏极端状况下依旧兼备较优的预测性能。研究成果为绯鲵鲣优化算法的改进策略进行了有效扩充,也为极限学习机的参数优化问题提供了理论支撑。该论文有图13幅,表12个,参考文献82篇。