群智能优化算法为最优化问题求解提供了一种新途径,受到了国内外学者的广泛关注。萤火虫优化(Glowworm Swarm Optimization,GSO)算法是一种新颖的群智能优化算法,其模仿自然界萤火虫求偶与觅食原理设计的一种自然计算方法,由于算法的参数少、流程简单、易于实现且在解空间中能捕获多极值等优点,已广泛用于生物、工程、管理、军事及经济等多个应用领域。但是,GSO算法难以回避早熟收敛、求解精度低及稳定性差等群智能算法所具有的通病与不足。另外,现实世界存在许多非连续的组合优化问题急需解决,迫切需要对连续型GSO算法进行离散化改进研究。本文在分析现有GSO算法研究现状的基础上,从传统连续型GSO离散化策略、种群初始化及移动步长等方面对算法进行改进,并将改进后的算法应用到属性选择与模式分类中。最后,将研究成果用于解决农业旱情等级评估与预测问题。具体研究工作与创新点如下:(1)针对传统连续型GSO算法不适合求解组合优化问题,即离散型问题。在离散二进制萤火虫(Binary GSO, BGSO)算法基础上,并提出了两种概率映射函数作为离散化策略的改进二进制离散型GSO算法,其一,采用改进Sigmoid函数作为概率映射函数,其二,以高斯变异函数作为概率映射函数,分别将萤火虫个体的位移转化为个体的位变化概率,从理论上对算法的收敛性进行了分析与证明,并通过Benchmark标准测试函数对其进行测试,实验结果表明改进二进制离散型GSO算法在稳定性、收敛速度及求解精度等方面性能较优。(2)属性选择是机器学习与模式识别中进行数据预处理的一个重要方法,特别是针对一些高维的数据集,其计算复杂度较高,对数据挖掘算法的性能影响较大。因此,提出一种基于修正Sigmoid函数的二进制萤火虫优化(Sigmoid Binary GSO,SBGSO)算法与分形理论相结合的属性选择方法。该方法以数据集分形维数作为属性子集的评价准则,以SBGSO算法作为搜索策略,通过对标准数据集UCI进行一系列实验,实验结果表明了该方法的有效性与可行性。最后,将提出的属性选择方法应用于农业气象干旱数据中,采用皖北地区针对小麦作物的农业气象数据集作为仿真实验数据,以解决旱情等级评估与预测的干旱指标体系构建问题。(3)针对传统 BP 神经网络(Back Propagation Neural Network, BPNN)的随机初始权值与阈值导致网络学习速度慢、易陷入局部解及运算精度低等缺陷,提出一种基于高斯变异函数的二进制萤火虫(Gauss BGSO,GBGSO)算法的BPNN并行集成学习算法,即GBGSO-BPNN算法。选用皖北地区十年农业气象数据作为实验仿真数据,其实验结果表明该算法在收敛速度及计算精度方面较传统BPNN算法及BGSO-BPNN算法有较明显优势,可以有效提高旱情等级评估与预测的准确性,为科学合理的农业旱情评估与预测提供了一种有效可行的方法。(4)由于传统连续型GSO优化算法求解多模态函数时,存在稳定性差、收敛速度慢及求解精度低等方面的缺陷,借鉴数论中佳点集理论生成初始均匀分布的萤火虫种群,并引入惯性权重函数动态修正移动步长,提出了一种基于佳点集的变步长萤火虫优化(Good Point Set GSO, GPGSO)算法,并从理论上证明了算法的收敛性。通过16个Benchmark标准测试函数对其进行测试,实验结果表明GPSGSO算法在稳定性、收敛速度及寻优精度等方面性能具有较明显的提高。(5)支持向量机(Support Vector Machine,sVVM)分类效果的优劣主要取决于模型的选择,而模型的选择主要涉及到核函数及其相关参数的选取,核函数及相关参数的不同取值对分类器的分类精度影响较大。因此,本文提出一种基于佳点集变步长GPSGSO算法的SVM分类方法,即GPSGSO-SVM算法。该算法利用GPSGSO算法优化SVM的径向基核函数参数g与惩罚因子c,获得较佳的参数取值,可以有效提高SV]M分类识别的准确性与稳定性。以UCI数据集作为仿真实验数据,实验结果表明GPSGSO-SVM算法较同类算法具有收敛速度快、稳定性强及精度高等优势。