蝙蝠(Bat Algorithm, BA)搜索算法受蝙蝠回声定位行为的启发,由剑桥大学YANG Xin-she教授于2010年提出的一种新型搜索优化算法,蝙蝠算法目前应用于分类类别、模式识别、分布式网络重构等优化问题中。BA算法因其具有结构简单、参数少、鲁棒性强、易于理解和实现等特点,近年来越来越受到学者们极大地关注,逐渐成为计算智能研究领域的热点研究问题。但由于蝙蝠算法刚被提出不久,还存在诸多不足,如后期收敛速度慢、搜索力不强、易陷入局部最优等缺点,大大的限制了该算法的应用范围。本论文针对蝙蝠算法的不足,通过采用融合策略,对基本蝙蝠算法做了一些改善,以提高BA算法的性能,拓展BA算法的应用范围,完善BA算法的研究理论。本论文取得了以下研究成果：(1)针对基本蝙蝠算法存在的寻优精度不高和早熟现象,受蝙蝠回声定位频率的启发,提出一种基于频率自适应的简化蝙蝠算法。利用蝙蝠种群多样性进行全局搜索,同时一旦超出搜索范围,就随机取一个值代替。通过实验表明,所提出的新算法不仅不易陷入局部最优,而且也提升了算法的计算性能和收敛性能。(2)基于BA算法的基本原理,利用特征方程法等方法来分析基本BA算法的收敛性,通过分析收敛性,提出一种改进型蝙蝠算法,并且证明了改进型蝙蝠算法的收敛性,保证其最后能够收敛于全局最优值。(3)在研究极限学习机的输入权重和偏置随机获得所导致的复杂网络结构的基础上,引入蝙蝠算法,将其应用于极限学习机训练,以获得更加合理的输入权重和偏置,从而达到提高极限学习机对未知数据的预测准确率和获得更加合理的网络结构。将该方法应用于分类识别,获得了满意的测试精度。