优化问题广泛存在于科学技术和工程实际等领域,如自动控制、通讯系统、生物工程等。群智能优化算法是求解复杂优化问题的一类有效方法,是当前智能计算研究的热点之一。飞蛾火焰优化（Moth-flame optimization,MFO）算法是模拟飞蛾在自然界中的导航机制提出的一种群智能优化算法。该算法具有简单、易于实现、搜索速度快等优点,但是算法在搜索过程中出现种群多样性变差、过早收敛等现象。本文在分析MFO算法基本原理的基础上,围绕MFO算法的改进及其应用展开研究,具有重要的理论和实际意义。本文的主要工作如下:首先,针对飞蛾火焰优化算法在搜索过程种群多样性降低的问题,受智能优化算法中多种群技术的启发,通过混沌分组机制和动态重组机制对飞蛾种群进行分组和动态重组,对两个飞蛾子种群分别进行螺旋搜索和直线搜索,并利用高斯变异来生成火焰,提出一种基于动态多种群的改进飞蛾火焰算法（Improved moth-flame optimization algorithm based on dynamic multi-swarm,MIMFO）。在经典测试集和Congress on Evolutionary Computation（CEC）2014测试集上验证MIMFO算法的有效性。其次,针对飞蛾火焰优化算法易于过早收敛、局部和全局搜索不平衡的问题,利用正交反向学习策略、混合搜索机制和变异操作对MFO算法进行改进,提出一种基于正交反向学习和改进飞蛾位置更新机制的飞蛾火焰优化算法（Moth-flame optimization algorithm with orthogonal opposition-based learning and improved position updating mechanism of moths,OOBLIMFO）;该算法不仅可以提高MFO算法跳出局部最优的能力,还可以提高算法的收敛精度和速度;在经典测试集、CEC 2014测试集和三个工程设计问题上,与其他优化算法进行比较,结果表明,在大部分测试问题上,OOBLIMFO算法在收敛精度和速度上具有优势。再次,针对飞蛾火焰优化算法搜索机制单一导致精度不高的问题,在种群初始化、飞蛾的位置更新和火焰生成方面对MFO算法进行改进,提出一种基于混合搜索和高斯变异的飞蛾火焰算法（Moth-flame optimization algorithm with hybrid search and Gaussian mutation,HSGMMFO）;在经典测试集上与其他优化算法进行对比,验证HSGMMFO的有效性;基于现场数据建立HSGMMFO优化快速学习网络的铁水硅含量预测模型,结果表明,相比其他预测模型本文所提方法能得到更好的结果。然后,针对飞蛾火焰优化算法个体维度间信息交流少的问题,考虑飞蛾迭代过程中个体维度之间的相互影响,利用协方差来更新飞蛾位置,并采用柯西变异生成火焰,提出一种基于协方差和柯西变异的飞蛾火焰优化算法（Moth-flame optimization algorithm based on covariance and Cauchy mutation,CCMFO）;在经典测试集、CEC2014测试集和57个实际约束优化问题上,验证CCMFO算法的有效性。此外,将CCMFO应用于结晶器振动位移系统前馈和反馈控制相结合的复合控制器参数优化中,结果表明,该方法能有效降低参数选择的难度,提高跟踪精度。最后,针对多目标优化问题,利用柯西变异、动态调整机制和自适应参数在火焰生成、飞蛾位置更新、参数调整策略方面对MFO进行改进,并基于r支配关系来引导搜索方向,提出一种基于r支配的改进多目标飞蛾火焰优化算法（Improved multi-objective moth-flame optimization algorithm based on r dominance,r IMOMFO）;通过测试集验证r IMOMFO算法的有效性。此外,将r IMOMFO应用于多航天器姿态协同控制器的控制参数优化,结果表明,优化后的控制器可以加速收敛速度,提高控制精度。