随着实际优化问题的复杂度提高,传统的优化方法已难以对其实现高效求解,基于“无免费午餐”定理,因此学者们必须深入探求更有效的启发式优化算法来对实际优化问题进行求解。通过观察到大自然中飞蛾夜间横向定位的飞行方式,并对其行为进行仿真模拟,澳大利亚学者Mirjalili由此提出了一种新的启发式优化算法-飞蛾火焰优化算法（Moth Flame Optimization Algorithm,MFO）,为优化领域创造了一个全新的搜索范式-螺旋搜索,为解决优化问题提供了新的解决途径。自MFO算法提出以来,便受到科学界和工业界的广泛关注,并在许多领域得到了实际的应用。但随着后期迭代次数的增加,MFO算法的寻优操作受到了一定的局限性,扰动种群个体的多样性,进而影响了算法的收敛性能。针对上述问题,本文对MFO算法进行了多样性和自适应的改进,并将其应用于无约束的云计算资源任务调度问题,以及带时间窗约束的车辆路径规划问题的离散化问题的求解,验证所提出算法的有效性。1)标准MFO算法在迭代后期容易进入局部最优,并且对优化问题的求解精度不高,本文提出了一种基于多策略的飞蛾火焰优化算法（Multi-Strategy Moth Flame Optimization Algorithm,MSMFO）。首先,将自适应火焰数变化策略引入标准飞蛾火焰优化算法中,对解空间的探索范围更新依据搜索状态进行改变,对全局勘探的能力有所提高。其次,采用趋向多火焰策略对火焰位置进行变动以增强种群的多样性。最后,通过越界重置策略对边界无效解进行重置,替换原始的边界赋法,使得算法的多样性增强。通过在姚新的benchmark测试函数上进行函数求解性能评估,与其它启发式优化算法的求解结果进行对比,实验输出的数据证明本文算法在对函数优化问题的求解精度上具有显著性。2)针对以最小化最大完成时间为目标的无约束云计算资源任务调度问题,为了解决规模较大的资源任务调度问题,采用上面提出的MSMFO算法解决该类问题以此来降低调度成本,将连续性问题求解转换为对离散化调度问题的求解,通过多策略机制对资源的调度方式进行改进,使得算法的鲁棒性增强。在云计算Cloud Sim仿真平台上进行应用求解,与传统轮询算法及遗传算法等进行了实验对比,实验输出的数据证实了所提出算法可以高效解决云计算资源任务调度问题,大大缩短了调度任务的完成时间。3)针对以最小化配送路径距离为目标的带时间窗约束的车辆路径规划问题,将MSMFO算法应用于该类问题求解,在客户要求的时间窗约束条件下,合理高效的分配货物,帮助配送客户选择较高质量的配送路径,选取Solomon算例对求解问题进行了性能测试,通过与其他启发式优化算法进行实验对比,实验结果表明所提出算法对于求解带时间窗的车辆路径规划问题的性能较好,该算法所得出的调度方案可大大减少调度时间,证明了算法的有效性以及实用性。