蝙蝠算法是模拟蝙蝠回声定位行为的一种新兴的启发式优化算法,因其简单的结构和明确的实际背景,一经提出便受到广泛关注,并已成功应用于工程优化、数据挖掘等诸多领域.同很多仿生随机优化算法一样,蝙蝠算法也存在理论基础薄弱,易陷入局部最优,后期收敛速度慢等缺点.为完善算法理论基础,提高算法性能,以拓展算法应用领域,本文主要进行了如下工作:1.详细阐述了基本蝙蝠算法的仿生原理、数学模型、基本流程等,并分析对比了蝙蝠算法与其它仿生算法,在此基础上,概括了此类算法的改进策略.2.分析蝙蝠算法的全局收敛性.通过建立算法的概率测度空间,验证了该算法为收缩映射的一种形式,且其轨道是概率有界的.由PM空间不动点定理证明了蝙蝠算法是全局收敛的.3.以混沌扰动及精英反向学习优化蝙蝠算法.针对蝙蝠算法后期收敛速度慢,易“早熟”的缺点,利用混动扰动策略抵制种群多样性骤减,避免算法陷入局部最优.同时为克服混沌扰动减缓算法的收敛进程,加入精英反向学习策略,提高算法的收敛速度.以此平衡算法的开发能力和探测能力,改善算法性能.数值模拟结果表明,较基本蝙蝠算法,改进的算法具有更高的寻优精度和更快的收敛速度.4.以权重策略优化蝙蝠算法.首先,通过设计基于寻优能力和摆脱局部极值能力的加权函数,使得蝙蝠不再仅仅向全局最优蝙蝠学习,而是与邻域内所有蝙蝠进行信息共享与交流,这样算法更符合生物社会的实际,同时降低算法陷入局部最优的危险.其次,频率不再是一个随机数,而是根据蝙蝠的寻优能力自适应地调节.由此获得或者保持优秀的寻优能力.数值模拟结果表明,较基本蝙蝠算法以及一种基于时变惯性权重的蝙蝠算法,新算法具有更高的寻优精度和更快的收敛速度.5.提出关于蝙蝠算法以及本文改进算法有待进一步探讨的问题.