进化算法和群智能算法等元启发式算法是目前求解复杂计算问题的主要方法。烟花爆炸算法（也称烟花算法—Fireworks Algorithm，FWA）是一种模拟烟花爆炸过程的元启发式算法，它在求解全局优化问题上表现出的快速收敛性受到了研究者们的关注，也被成功地应用于一些工程优化问题，具有较大的发展空间。但原始 FWA只适用于连续优化问题，同时存在计算开销大、参数敏感等缺陷，对其进行改进并扩展其应用范围，能够进一步挖掘算法潜力，使其适用于更为广泛的实际问题。　　本文对原始FWA中三个基本算子进行了深入分析，针对存在的主要问题设计了改进策略，提出了综合学习型FWA和增强个体间交互的FWA，并将其扩展应用于一类组合优化问题。本文的主要成果和创新点如下：　　1.提出了一种综合学习型FWA，设计了新的高斯变异算子，促使高斯火花向更多优秀个体学习以丰富解的多样性；还设计了新的选择算子，采用锦标赛排序的策略使得高质量的解有更大的机率进入下一代，从而加快了算法的收敛，同时有效地避免了早熟问题。　　2.提出了一种增强个体间交互的FWA，在综合学习型FWA的基础上设计了新的迁移/爆炸算子，即在一般爆炸操作中混合了生物地理学优化算法的迁移操作，并通过一个新引入的“迁移率”参数来控制两种操作的执行频率，从而更好地平衡了算法的全局探索和局部开发能力，该算法在CEC2015测试函数集上表现出了极佳的性能。　　3.提出了一种新的离散型FWA，设计了基于离散空间邻域结构搜索的烟花爆炸算子，并用于求解大学课程表调度问题。在一组ITC2007问题实例上的实验验证了该算法的有效性。