生活中,实际工程中的优化问题存在着高维数、大计算量、多局部极优值等复杂特点。这使得传统优化算法的求解无法达到实际应用要求。所以研究新的优化方法以解决此类复杂的优化问题具有重要的实际意义。自然界的优化发展方式给复杂的实际工程优化问题的解决提供了新的思路和方法。自然界的美丽源于其以简单的规则描述的复杂万物,而在这个描述的过程中,自然界总是按照某种形式的最优(最节省)去发展,从而体现其经济本性。本文旨在提出一种通过模拟自然现象,不需要设计太多的经验性的参数,并且没有随机因素在迭代搜索过程中的优化算法。作为最普通的自然现象之一,光线在不均匀介质中的传播也体现了一种能量的节省。本文受启发于此现象,在较详细的分析了光线传播的折射,反射定律之后,根据费马原理,提出了一种新的智能优化算法——光线寻优算法(Light Ray Optimization)。光线寻优算法是一种通过模拟光线在不均匀介质中的传播过程进行最优值搜索的寻优算法。算法以网格划分优化问题的可行域,并赋予不同网格不同的介质密度以改变在其中光线的传播速度。这使得光线在不同的网格之间传播时发生折射现象和反射现象,并以此不断地在不同网格中更新搜索方向和搜索位置,并使算法最终自动收敛到目标函数的最优值。本文阐述了选取矩形网格的必要性,分析了光线的搜索方向的更新过程。本文在二维光线寻优算法的基础上,分析了光线寻优算法在n(n>2)维空间中搜索的可行性,讨论了在n维空间中光线与搜索子空间之间角度的定义方式以及光线搜索方向和搜索位置的更新过程,并将光线寻优算法推广到n维空间中。本文对光线寻优算法寻优的收敛性进行了分析,以定理的形式证明了光线会在水平和竖直方向偏向最优值所在的方向,并通过在水平,竖直方向上不定期交替地发生折射现象更新搜索方向,使光线寻优算法收敛到局部的最优值。在数值实验中,将光线寻优算法应用于几个各具特点的标准测试函数中。通过光线寻优算法在不同维数空间中对标准测试函数的搜索结果,说明了光线寻优算法的搜索特点和对不同类优化问题的搜索可行性。根据经典测试函数的不足,引入随机测试函数,对光线寻优算法的搜索性能的进行一步评判,进而讨论光线寻优算法的可行性及有效性。通过分析光线寻优算法对经典测试函数的搜索结果,本文对如何缩短光线寻优算法的搜索时间和如何搜索有负值的优化问题进行了讨论。本文讨论了搜索二维空间中的最优值的意义,并在二维光线寻优算法的基础上,通过采用具有良好性质的正六边形网格划分可行域,提高光线寻优算法的搜索效率。对于在n维空间中的光线寻优算法,本文通过初始设置较大的网格,并在迭代搜索过程中,以不同形式不断地减小网格尺寸,缩短搜索时间和提高搜索精度。本文通过对目标函数进行的不同变换,使目标函数符合光线寻优算法的使用要求,使光线寻优算法可以求解有负值的优化问题,从而扩大光线寻优算法的应用范围。本文还将光线寻优算法与群智能优化算法的代表粒子群优化算法进行了比较。从搜索机制和搜索过程两方面分析光线寻优算法与已存在的主要优化方法相比,分析了光线寻优算法所存在的优势与不足。本文在已有工作的基础上,提出了光线寻优算法在未来包括参数设置,搜索方向的更新方式,多路搜索等主要的改进方向。