近年来,随着计算机技术的飞速发展,越来越多的智能计算方法孕育而生,群智能算法做为智能计算的核心,一直是国内外专家学者研究的热点。花朵授粉算法作为一种近年提出的极具发展前景的算法,由于其具有的控制参数少、易于实现、结构简单等特点,已经成功的被运用到诸多的领域。但是,与传统的群智能算法相类似,其依然存在着局部搜索较差,收敛到稳定最优解的速度慢和最优解的精确度不高等不足。为了进一步提高花朵授粉算法的性能,分别从算法的优化和应用两方面对标准花朵授粉算法进行研究和改进。在改进后的花朵授粉优化算法中,首先引入差分进化的变异因子增加种群的多样性,通过最优解的引导局部搜索,加快算法的收敛速度;采用鹰策略两阶段算法融合的方式,将具有列维飞行的标准花朵授粉优化算法做为第一阶段全局搜索算法,将具有出色个体寻优能力的人工蜂群算法作为第二阶段局部加强搜索算法,使得算法跳出局部最优,以达到增加全局寻优的能力。通过六种测试函数对算法最优解的精确度和收敛的快慢进行实验验证,实验数据显示,改进后的花朵授粉优化算法在解的精准度和收敛速度的快慢上均优于标准人工蜂群算法和标准花朵授粉算法。在算法应用方面,将改进后的花朵授粉优化算法应用于求解车辆路径规划问题上。车辆路径规划问题发展至今,国内外的专家学者提出了诸多的解决方法,其中最为高效的是近几年发展起来的通过群智能算法对其进行优化。根据车辆路径规划问题的特点,将改进后的花朵授粉优化算法进行离散化处理,采用自然数编码方式,初始解的序列通过贪心策略生成,全局搜索生成候选解采用不相邻单元倒置的方式,局部搜索的候选解采用相邻邻域交换的方式。最后,选择合适的目标函数和适应度函数,用不同大小的数据集对算法进行测试。实验结果显示,针对30个配送点以下规模的车辆路径规划问题,改进后的花朵授粉优化算法均能找到最短路径;针对30个以上配送点规模的车辆路径规划问题,虽没有找到其最短路径,但改进后的花朵授粉优化算法得到的最短路径比标准花朵授粉算法和人工蜂群算法都要更接近最优路径的值,验证了算法在求解车辆路径规划问题上的良好效果。