自由搜索算法是近年来提出的一种较新的群体智能优化算法,其算法自身还有很大的研究空间,因此对自由搜索算法进行有效的改进仍然是目前学者研究的一个热点。本文提出一种基于灾变策略的自由搜索改进算法。该算法在群体进行下一轮搜索之前进行一次灾变判断,符合灾变条件的个体将进行相应的灾变操作,将重新初始化下一轮搜索起点。从自然界规律上说该算法较基本的自由搜索算法具有更优秀的全局搜索能力。将本文算法和现有的两种性能最好的自由搜索改进算法(自适应搜索算法和基于粗细粒交叉的自由搜索算法)进行仿真对比,通过对三个基准函数的优化测试,仿真结果表明本文提出的算法在收敛精度和收敛速度上都要优于现有的两种改进算法。基于最大熵的阈值法图像分割的关键是找到一组合适的阈值向量,使得分割后图像的总熵最大,而总熵恰恰是一个以阈值为自变量的多维函数,在以往的阈值搜索中,存在精度不高的缺陷,鉴于自由搜索算法具有强大的搜索能力,本文提出了基于改进自由搜索算法(即基于灾变策略的自由搜索算法)的最大熵阈值图像分割算法,通过比较本文算法和目前在基于最大熵的阈值法图像分割中应用较好的改进粒子群算法的仿真结果,本文提出的算法可以获得更大的熵值和统一度量标准u值,验证了该改进算法在图像分割中应用的有效性,拓宽了自由搜索算法的应用领域。