群智能优化算法是人工智能领域不可或缺的一部分,它起源于对人工生命的研究。由于越来越多的高复杂性问题需要的解决方案在合理的时间内是可以实现的,但可能不是最优的,因此群智能优化算法不断受到重视。群智能算法是通过模拟自然生态系统机制来求解复杂的优化问题。由于群智能优化算法原理简单,调整参数少,编程容易实现等优点,因此被广泛应用于组合优化、参数估计、函数优化、路径规划、神经网络训练、图形图像处理等领域。蜻蜓算法是一种非常有效的群智能优化算法,其灵感来自于蜻蜓的飞行行为,它已被广泛应用于解决单目标和多目标的问题、优化支持向量机参数以及特征选择问题等。然而,大多数群智能优化算法都存在收敛速度慢、算法精度低、容易陷入局部最优解、算法迭代后期种群多样性下降、全局搜索能力差等问题,蜻蜓算法也不例外。为解决原始蜻蜓算法全局搜索能力弱,容易陷入局部最优解和算法精度低等缺陷,本文进行相关研究,其主要研究内容如下:(1)本文提出了一种基于增强个体飞行方向的蜻蜓算法,一方面是更改了惯性权重计算公式,另一方面是在蜻蜓个体位置更新时加入选择策略。(2)将基于增强个体飞行方向的蜻蜓算法离散化,为特征选择做准备。(3)将提出的基于增强个体飞行方向的蜻蜓算法应用于函数优化和特征选择问题上。在实验阶段,本文使用了13种基准测试函数,将所提出的算法获得的结果与粒子群优化算法、灰狼优化算法、蜻蜓算法、乌鸦搜索算法和基于内存的混合蜻蜓算法作比较以进行验证。统计结果表明,所提出的算法的表现优于其他算法,它具有较高的避免陷入局部最优的能力和快速的收敛速度。此外,为了证明该算法在解决复杂的现实问题上的适用性,还采用该算法来解决特征选择问题。基于增强个体飞行方向的蜻蜓算法作为一种特征选择方法,已在从UCI中获得的18种数据集上进行了测试,结果表明,它在解决特征选择问题上具有综合优势,特别是在辅助医疗诊断方面,都证明了该算法在解决现实世界中复杂问题上的能力。