花朵授粉算法是新近被提出的一种群智能优化算法。相比于传统数学方法,花朵授粉算法具有实现简单,灵活性强,鲁棒性高的优点,在求解实际工程中的最优化问题时展现出独到的优势。自提出以来,花朵授粉算法凭借其结构简单、优化效果好,得到了许多研究者们的关注,并被广泛用于各领域中的优化问题。然而,花朵授粉算法在求解一些复杂的工程优化问题时,仍然存在着开采能力不足,求解精度不够高的问题。在提升算法开采能力方面,利用种群中的最优个体信息来引导搜索进程是一种直接有效的方法。种群中的最优个体信息是种群的核心信息,其中蕴含了整个种群经过迭代搜索积累而得的丰富经验和先验知识。若能合理利用最优个体信息来指导种群的演化过程,则可以增强算法的开采能力,提升算法的求解精度。本文针对花朵授粉算法的缺点,设计基于最优个体的引导方式来提升算法的性能,主要研究内容如下:（1）提出了一种适应性全局最优引导的花朵授粉算法（AGFPA）。在提出算法中,设计了环优策略和向优策略来增强算法的开采能力。其中,环优策略是在全局最优个体的邻域内进行深度开采,向优策略是由全局最优个体引导进行有向搜索,环优策略和向优策略相结合能充分利用全局最优个体的信息引导种群演化,从而增强算法的开采能力。此外,设计了适应性参数控制策略根据演化阶段的反馈信息调整全局授粉转换概率和全局最优引导的步长因子,平衡算法的开采能力和勘探能力。在群智能研究领域中常用的18个基准测试函数上,将AGFPA分别与多种改进花朵授粉算法、粒子群优化算法和差分进化算法进行比较。实验结果表明,在求解大多数单峰、多峰和复杂函数时,AGFPA均具有较为优秀的寻优能力。（2）提出一种融合邻域搜索的适应性花朵授粉算法（ANFPA）。针对花朵授粉算法在求解一些复杂优化问题时局部搜索能力不足的问题,该算法在演化过程中以一定的概率执行邻域搜索策略来提升算法的开采能力,并利用所产生新解的适应值反馈信息适应性地调整算法控制参数。在所提出算法中,邻域搜索策略利用全局最优个体邻域信息来引导演化进程;适应性参数控制策略根据历史搜索信息来协调算法的全局搜索能力和局部搜索能力之间的平衡。在群智能研究领域常用的23个基准测试问题上进行了策略有效性分析,并分别与6种FPA、6种差分演化算法、6种粒子群优化算法和6种人工蜂群算法进行比较。实验结果表明,ANFPA在大部分测试问题上能够比对比算法获得更优越的性能。