生产生活中的一些实际问题可建模成背包问题进行求解,比如决策投资、资源分配、预算控制等。其中0-1背包问题是最基础的一类背包问题,许多的背包问题都可以转化为0-1背包问题进行求解。求解0-1背包问题的关键是在满足约束条件的情况下使得最终装入背包的物品价值总和最大。背包问题是一类离散化问题,利用群智能算法进行求解时,第一个需要解决的问题即是选择编码方式将算法离散化。群智能算法计算时会产生大量不可行解,如果对不可行解直接舍弃的话,会破坏种群多样性,所以此时需要修复算法将不可行解可行化,保证种群多样性。本文提出两种改进算法对0-1背包问题进行求解。第一种是自适应萤火虫算法。对萤火虫的位置赋予自适应权重,在算法前期减小权重弱化萤火虫自身位置,增加全局搜索能力,算法后期增加权重,为了使算法具有更强的局部搜索能力。根据权重可以使算法在快速有效的接近理论最优值,最后对每一代更新后个体根据变异概率进行变异操作。第二种是基于模拟退火的改进萤火虫算法。利用萤火虫算法对个体进行位置更新,模拟退火操作对更新后个体取舍,在一定程度上保证种群多样性。根据种群的拥挤程度设置变异概率,当种群较拥挤时,增加变异概率,增强全局多样性;种群较分散时,减小变异概率,保护最优个体免受破坏。将两种改进算法进行多组仿真实验,表明算法可用于求解0-1背包问题与有界背包问题。最后再重新选择编码方式和修复算法,将两种算法用于有界背包问题的求解,并利用30组仿真实验进行说明对比。