群体智能算法以其实现简单灵活以及能有效解决高维、复杂的优化问题等优点,在计算智能领域获得了越来越多的关注。果蝇优化算法是一种模拟果蝇觅食行为的群体智能优化算法。本文结合云模型对果蝇优化算法提出了一些改进策略,以提高算法的收敛性能,并进一步拓展到多目标优化和实际工程应用。本文主要工作包括以下几个方面。论文首先介绍了果蝇优化算法的研究背景及意义,回顾和总结了果蝇优化算法的国内外研究现状和进展,对果蝇优化算法的原理和步骤进行了详细的介绍,并给出了果蝇优化算法的伪代码。然后,对云模型的定义和正态云发生器的实现进行了相关介绍。为了提高果蝇优化算法的全局收敛能力和收敛精度,提出了一种基于云学习的双态果蝇优化算法。算法借鉴自然界群体分工的特性,在寻优过程中将果蝇群体分为“搜索”和“捕食”两种状态的种群,平衡算法的全局搜索与局部开采能力。另外,利用云模型描述觅食过程中的随机性和模糊性,增强逃离局部最优的能力。利用23个Benchmarks测试函数对所提算法进行了测试,实验结果表明,所提方法能显著提高算法的全局收敛能力和收敛精度。鉴于基于浓度判定值计算的候选解产生机制存在易陷入早熟收敛以及不能优化最优解为负值的优化问题,在新的候选解产生机制的基础上结合正态云模型,提出了一种基于正态云模型的果蝇优化算法。算法利用正态云模型对果蝇觅食过程中的随机性和模糊性进行描述,提高搜索效率。提出了一种正态云模型参数自适应策略,使算法前期具有较强的全局收敛能力,后期拥有良好的收敛精度。利用33个Benchmarks测试函数对算法进行了测试,实验结果表明,所提算法能获得良好的收敛性能。结合Pareto占优概念以及外部精英存档策略,提出了一种基于云模型的多目标果蝇优化算法,将果蝇优化算法拓展到多目标问题的优化。采用基于归一化最近邻域多样性测量方法来保持非占优解集的分布性和多样性。利用WFG和CEC2009多目标测试问题组对所提算法进行了测试,实验结果表明,所提算法获得的非占优解集能够较好的趋近于真实Pareto前沿,并且能保持良好的散布性。为了进一步验证所提方法在实际的工程优化设计中的有效性,将基于正态云模型的果蝇优化算法应用于永磁同步电机参数辨识,将基于云模型的多目标果蝇优化算法应用于飞行器热导管参数优化设计以及减速器优化设计。实际应用系统模型的实验结果证实了所提方法的有效性。