函数优化问题广泛的存在于各个工程领域之中,因此对优化算法的研究具有重要的理论意义和现实意义。群智能优化算法是当前优化算法中的研究热点,飞蛾扑火优化(Moth-flame Optimization,MFO)算法作为一种全新的群智能优化算法,渐渐受到学者们的关注。本文针对MFO算法存在的容易出现早熟收敛现象和无法快速收敛的问题,提出一种融合折射原理反向学习的飞蛾扑火优化算法(Moth-flame optimization algorithm fused on refraction principle and opposite-based learning,ROBL-MFO)。该算法首先在飞蛾的更新公式中引入历史最优火焰平均值,使火焰间的信息能够互相交流,利用历史最优火焰平均值确保火焰质量,也保证了飞蛾更新的质量,使算法更快接近最优值,加快算法的收敛,提高算法的寻优水平;其次引入随机反向学习策略,利用随机反向学习策略可以扩大算法有效搜索空间的优势,对火焰解进行随机反向学习,减少算法的搜索盲点,增加算法搜索到全局最优解的可能性,寻找更优的火焰解;最后使用折射原理对获得的反向解进行折射操作,寻找其他的、可能的可行解,以增加种群的多样性,帮助算法摆脱局部最优。本文通过在多个基准测试函数上进行的仿真实验评估ROBL-MFO算法的各方面性能,最终得到的实验结果表明,相比于其他对比算法,ROBL-MFO算法在不同类型的测试函数上拥有更优的收敛能力和寻优水平,并且具有逃离局部最优区域的能力,避免出现早熟收敛现象。最后,本文对全部研究工作进行了总结,并说明在下一阶段,将继续研究飞蛾扑火优化算法,拓展其应用的领域,以提高其应用方面的价值。该论文有图16幅,表9个,参考文献57篇。