人工萤火虫群优化算法（Glowworm Swarm Optimization, GSO）是一种新兴的群体智能优化算法。由于人工萤火虫算法最初的提出是用于求解多峰函数优化问题，近几年来，人工萤火虫算法在越来越多的领域中得到应用，例如有害气味源定位问题、辐射源同步定位问题、传感器部署问题等，表现出很强的同步优化能力。但纵观整体发展状况，人工萤火虫算法的研究大多属于其简单应用及部分改进方面，而对于影响其性能的参数设置方面的研究甚少，如收敛速度、搜索精度与参数设置的关系都有待进一步研究。本文研究了人工萤火虫算法参数设置对算法性能的影响，以及有针对性的对算法进行改进，并最终将人工萤火虫群优化算法应用于实际问题。具体的，本文在如下几个方面取得了有一定创新性的研究成果：（1）参照类似群体智能深厚的参数设置理论基础，本文利用正交实验法分析参数对基础人工萤火虫算法性能的影响，再提出了一种基于里克特量表参数相关性分析法对参数的影响因子进行排序，得出移动步长的选择是影响GSO算法性能成功与否及性能优差的关键因素。（2）人工萤火虫区别于其它群智能优化算法的关键在于其同时定位能力。但在具体应用中还是存在着许多问题，如易陷入局部最优、搜索效率不高等。本文在基本人萤火虫算法的基础上，首先通过改进萤火虫邻居定义方式提出了一种基于邻居相似度的自适应步长改进算法，随后又借助和声算法产生新解的独特方式，改进了算法因孤立邻居负载不平衡等问题。通过仿真实验及理论证明，相比于基本GSO算法，改进算法在搜索效率方面得到了很大的提高。（3）研究了人工萤火虫算法在电信客户细分问题中的应用。借助RFM模型提取客户消费数据，再利用人工萤火虫智能算法同步优化能力对标准化数据自动聚类。通过实验说明无需预先指定聚类个数，基于GSO的智能算法即可得到有效的聚类结果。