传统优化算法对于求解多维度复杂问题难以求最优解,而群体智能算法在解决此类优化问题方面有着独特的优势。作为一种模仿果蝇捕食的智能优化算法,果蝇优化算法(Fruit Fly Optimization Algorithm FOA)因为其易于实现,具有较强的局部搜索能力,操作原理易懂等特点,受到了越来越多的关注。同时随着以FOA为例的群智能算法在各领域内愈发广泛的使用,算法早熟且最终解精度不高现象已成为必须注意并试图解决的问题。本文针对该问题进行了研究与改进,并将其应用在解决文本分类问题上。具体包括以下三个方面:(1)FOA有着容易陷入局部最优和求解复杂问题精度不高的问题,针对该问题提出了自适应修正的混沌映射果蝇优化算法(Adaptive modified Chaotic Map Fruit Fly Optimization AMCFOA)。该算法使用新的候选解机制与自适应步长来解决算法求解复杂问题精度不高和过早收敛的问题。在算法后期聚集度变大时,通过混沌映射的方式尝试逃离局部最优解。对六种经典测试函数的仿真结果表明,AMCFOA可以有效避免早熟,提高解的精度,加快收敛速度。(2)针对FOA易陷入局部最优,容易过早收敛和求解复杂问题精度不高的问题,提出了多种群小波转换的果蝇优化算法(Multi-swarm Wavelet Transform Fruit Fly Optimization Algorithm MWTFOA)。该算法将原先的单种群变为三种群,每一个种群使用不同的步长策略。通过该方式增强算法的全局搜索和局部搜索能力。当算法后期聚集度变大时,种群的多样性变小。此时通过小波转换的方式来增加种群的多样性,从而达到逃离局部最优解的目的。对六种经典测试函数的仿真结果表明,MWTFOA可以有效避免早熟,提高解的精度,加快收敛速度。(3)当训练样本数量较大时,K最近邻算法(K-NearestNeighbor KNN)分类效率较低。同时当训练样本不均衡时,算法的分类性能也会受到影响。针对这两个问题,本文首先提出变精度粗糙集的加权KNN文本分类算法。然后将AMCFOA和MWTFOA应用于改进的算法中。实验结果表明,改进后的算法能进一步的提高分类的性能和效率。证明了AMCFOA和MWTFOA算法有着较高的应用价值。