现今,优化问题早已渗透到如工程、科学、工业等大多数领域中。以生物智能为基础发展起来的仿生群智能优化算法具有并行高效的、通用性强、无需问题特殊信息等优点,为解决优化问题提供了新的思路。萤火虫算法(FA)是一类受萤火虫群体发光行为信息的启发演变过来的新型仿生群智能优化算法,算法通过搜索域内更亮萤火虫吸引其他个体向其移动,实现位置更迭。本文针对传统萤火虫算法存在的求解精度低、稳定性弱、易陷入早熟收敛等缺陷,提出一种免疫多种群萤火虫算法(IMPFA),并将该方法应用于多模态函数寻优、X射线脉冲星导航(XPNAV)时延估计和无线传感器网络(WSNs)覆盖优化问题中。论文的主要工作及成果如下:(1)针对多模态函数优化问题,利用萤火虫算法和克隆选择算法各自的优势,提出一种串联混合方式的免疫多种群萤火虫算法。算法在每次循环迭代中,先通过多种群进化机制的萤火虫算法(MPFA)在可行区域内进行全局搜索,再通过鲁棒性强的非均匀变异克隆选择算法(NUMCSA)对已找到的解局部寻优以提高解的精度。最后通过引入复杂多峰函数测试IMPFA算法的性能,实验结果表明,该算法具有较高的求解精度和良好的稳定性。(2)为了进一步检验免疫多种群萤火虫算法的效果,将该算法应用到两个工程优化问题中。脉冲到达时间(TOA)的估计是影响XPNAV系统性能的重要因素之一,而计算TOA需通过时延估计实现。本文将双谱算法与改进的萤火虫算法相结合,提出一种基于IMPFA的双谱谱点选择的时延估计方法。实验表明,该方法有效地降低了导航算法的计算量。网络覆盖是评价WSNs测量性能的一项重要因素。本文在建立网络覆盖数学模型基础上,引入改进萤火虫算法对网络节点进行优化部署,提出一种基于IMPFA的无线传感器网络覆盖优化算法(IMPFA-WSNs)。仿真实验结果表明,与传统萤火虫算法相比,该算法扩大了区域的覆盖率。