萤火虫算法(FA)属于群智能算法.虽然它提出的时间较晚,但它因设置参数较少和操作简单的特点吸引了不少国内外学者对其进行研究.目前它已经被应用于解决很多实际问题,譬如,聚类分析,0-1背包问题,车辆路径问题,作业车间调度问题等.由此可见FA算法具有很好的发展前景.作为群智能算法的一种,FA算法存在以下缺陷:搜索过程中易造成振荡现象,萤火虫选择压力大,收敛速度慢,寻优精度低,本论文针对以上缺陷提出了两种改进的萤火虫算法:pFA算法和ERaFA算法.与原始萤火虫算法以及其他一些当前的主流智能优化算法相比,本文提出的pFA算法和ERaFA算法在性能上有很大的提高.主要内容如下:第一章,首先给出萤火虫算法的研究背景及意义,然后描述萤火虫算法的相关研究,最后给出本文的主要内容.第二章,主要给出本文所提算法涉及到的一些基础知识.首先介绍原始萤火虫算法,其次,给出反向学习策略的定义.第三章,提出了pFA算法.首先,与原始萤火虫算法的全吸引模式不同,在pFA算法中,萤火虫通过概率选择的方式确定出对其吸引的萤火虫,这样,种群中那些很差的解便会被淘汰掉,从而增加好的萤火虫被选择的机会,加速算法收敛速度及寻优精度.其次,本文对步长因子进行改进,目的在于平衡算法的全局搜索能力和局部搜索能力.然后,在算法中引入了反向学习策略以保证种群的多样性.最后,通过实验验证了pFA算法的性能.第四章,提出了ERaFA算法.首先将种群NP按照目标函数值的大小从小到大进行排序.其次,给定一个比例值r,按照从小到大选取[r*NP]个精英邻居.然后,从[r*NP]个精英邻居中随机选取一个作为移动对象.最后,采用第三章的改进步长因子和反向学习策略以保证种群多样性和加快算法收敛速度.从数值实验结果可知ERaFA算法是可行有效的.