求解最优化问题一直都是计算机工程、生产调度、人工智能等领域广泛关注的一个问题,其核心思想是在可行解范围内设计符合特定约束条件的方案,使得目标最优化。随着计算机科学技术的飞速发展,经典的传统优化方法已不足以解决约束条件越加复杂的优化问题。群智能优化算法普遍具有灵活度高、寻优性能良好、鲁棒性强等优势,该类算法可以更好的解决非线性、大规模的复杂优化问题,因此自其提出之日起便受到广泛的关注与研究。近年来,以粒子群算法、蚁群算法、遗传算法等为代表的群智能算法为人们求解复杂问题提供了强有力的工具。果蝇优化算法是一种新型的仿生类元启发式智能优化算法,它是通过模仿自然界中果蝇利用其敏锐的嗅觉和尖锐的视觉的觅食行为而设计的一种演化式计算的新算法。果蝇优化算法调节参数较少,计算量较小,运行时间短,操作简单,且具有易于构建的代码框架,可塑性强,只要调节好核心参数,就较容易应用于多个领域去解决实际问题,但是此算法后期种群多样性不足,容易过早收敛,稳定性不强且易陷入局部最优,极大地限制了果蝇优化算法的应用范围。因此,对果蝇优化算法的改进研究,有着重要的理论意义和应用前景。针对果蝇优化算法所存在的一些不足,利用自适应缩小步长和极坐标变换等改进方法,对果蝇优化算法进行改进,本文主要取得的研究成果如下:（1）本文提出自适应缩小步长的策略来强化果蝇优化算法的寻优能力。此搜索步长计算公式充分考虑了全局与局部寻优能力的平衡,在算法迭代前期,探索步长较大,使得算法在前期有较好的全局搜索能力,随着迭代次数的增加,探索步长逐渐减小,以提升算法的局部搜索能力,并且当算法的全局最优解不再更新时,进行柯西变异以跳出局部最优。实验结果表明,自适应缩小步长的果蝇优化算法在各种维度下的性能都优于对比的其他果蝇优化算法。（2）本文提出了一种基于极坐标变换的果蝇优化算法。首先,果蝇群体位置的更新同时向最优和最差果蝇个体学习,增加果蝇群体的多样性,降低陷入局部最优的概率;其次,利用极坐标变换更新果蝇个体位置,使果蝇个体在围绕果蝇群体位置的整个球体范围内进行随机搜索,增加了果蝇个体的搜索多样性;最后,通过组合变异以跳出局部最优。实验结果表明,改进后的果蝇优化算法的性能得到了显著的提高。