作为典型的群智能优化算法,萤火虫优化算法(Firefly Algorithm,FA)因其在寻优搜索方面有着较为突出的表现,使得其在计算机、工程应用、生产管理以及经济发展等领域的应用前景广阔。该算法实现简单,较少的参数调节,实用性强,迅速吸引了大量研究者的目光,逐渐成为了智能优化算法领域里的热点算法。而同时,同其他智能优化算法一样,FA也具有进化收敛慢,易陷于解空间中的局部最优等缺点。因此,该算法还有一定的改进空间。本文对FA改进的主要工作如下:(1)针对萤火虫优化算法的吸引移动公式中的步长和吸引力部分,提出了自适应步长以及比例模型吸引的改进策略。在自适应步长策略中,增加了控制步长变化的控制体,通过当前与上一代的最优个体位置距离来确定下一代是否进行,当距离大于设定阈值时步长不变,以适应当前阶段对步长大小的需求。而在比例模型吸引力改进中,由于原标准萤火虫优化算法中吸引力部分的快速趋1性,极大地减小了种群在中后期进化的多样性,而改进后的FA将当前代的吸引力改为上一代的0.4倍,在满足进化需求的情况下,尽可能保留种群多样性。最后比较并分析了改进后的FA与其它版本的FA在优化测试函数实验后的结果数据,说明了以上两种改进策略确实有助于FA性能的提高。(2)基于反向学习的萤火虫优化算法。尽管改进后的吸引力部分有助于保留种群的多样性,但出于对求解结果的精度的需求,算法在演化过程中会对种群的多样性有所减小,使得种群陷入解空间中的局部最优。为此,本文第四章中引入了反向学习策略,对每代种群中适应值最差的三个个体进行反向学习,使最差的三个个体以解空间的中心对称点为反向点进行反向变换,跳出局部最优,提高种群多样性。而实验表明,FA在引入了反向学习策略后,提高了其全局搜索能力。(3)因为萤火虫优化算法在初期主要是针对连续优化问题提出的,对离散问题的求解能力较弱,而为使其能能求解离散问题,如柔性作业车间调度。文中提出了萤火虫个体离散化编码方案。通过将不同工件工序的加工顺序信息转化为萤火虫个体的位置信息以解决种群个体的离散化,并将目标优化时间性能赋予萤火虫个体适应值。在算法求得结果后再对个体位置信息进行解码成机器的加工信息,确定工件工序的加工机器和开始时间。最后,经过仿真实验的检验测试,说明了该离散化编码设计算法能有效的解决柔性作业车间调度问题。