头脑风暴优化算法结构简单,易于理解。该算法的核心在于模拟人类使用头脑风暴会议解决问题,是目前仅有的受人类群体行为启发的群智能优化算法,具有很强的全局寻优能力和算法鲁棒性。头脑风暴优化算法通过聚类策略,将初始种群分为若干个较小的搜索空间,便于算法进行局部搜索,实现算法收敛。在新个体生成时,算法使用概率参数控制新个体是基于一个类还是两个类生成。同时使用变异策略给新个体添加噪声,实现算法发散,增加算法寻优中的种群多样性。头脑风暴优化算法在每一次迭代中都融入了收敛与发散操作,体现了算法自身较强的适应性和结构的可扩展性。因此,不同的分类和变异策略会对算法产生不同的影响。本文通过分析头脑风暴优化算法中的概率参数设置、分类策略以及变异策略,对原头脑风暴优化算法进行了一些改进,主要成果如下:1、本文通过对概率参数pcluster的实验分析,将pcluster设定为随迭代次数增加的动态参数,在算法寻优前期加快收敛速度,后期加强全局寻优能力。同时分析了原头脑风暴优化算法中k-means聚类策略的优缺点,提出了一种基于适应度值分类的改进头脑风暴优化（Improved Brain Storm Optimization Based on Fitness Value Classification,FIBSO）算法。FIBSO算法使用基于适应度值分类取代原算法中的k-means聚类,加快了算法的收敛速度,增加了算法的种群多样性。同时,FIBSO算法使用动态概率参数,在算法寻优初期,增大从两个类中生成新个体的概率,加快收敛速度;在算法寻优后期,增大从一个类中生成新个体的概率,让算法趋向于局部精细搜索。实验使用了4个经典的标准测试函数对FIBSO算法进行测试,并将结果与BSO、PSO、GA算法进行了分析对比,证明了改进策略的有效性。2、在原始的头脑风暴优化算法中,生成新个体操作中的变异策略使用的是高斯变异。高斯变异是一种常见的变异方式,其产生的变异量有限,因此头脑风暴优化算法寻优时也较易陷入局部极值。针对这个问题,本文设计了一种多分支混沌变异算子,提出了多分支混沌变异的头脑风暴优化（Brain Storm Optimization Based on Multi-branch Chaotic Mutation,MCMBSO）算法。当原始BSO算法陷入局部最优时,使用多分支混沌变异代替原算法中的高斯变异生成新个体,利用多种混沌序列,扩大新个体的变异范围,增强算法的全局寻优能力。实验在10个经典测试函数的不同维度问题上进行测试,并与BSO、PSO、GA、CS算法进行分析对比。实验结果表明,所提出的MCMBSO算法可以有效避免陷入局部极值,具有更高的稳定性和全局寻优能力。