对于缺少梯度、连续性、凸性特征的复杂问题模型,传统的优化算法不能满足计算时间和空间的要求。群智能算法展现出的自组织、协作、高度并行的特点,为该类优化问题提供了思路。蝙蝠算法是群智能衍生的新型启发式算法,对于待优化问题的求解不需要数学信息,算法对于目标问题的求解具有较快的收敛速度。通过对蝙蝠算法的研究,发现了蝙蝠算法存在的缺陷。第一,蝙蝠个体寻优过程中大量飞跃出解空间,蝙蝠算法并没有较好的处理策略来为越界的个体分配有利的位置。第二,蝙蝠算法存在种群聚拢严重的现象,缺乏种群的多样性。算法一旦陷入局部最优解,很难发散并逃离局部吸引子的吸引。第三,蝙蝠在靠近目标时发射声波的响度和脉冲频度不协调,降低了蝙蝠算法发现新的更优解的能力。针对蝙蝠算法存在的问题,提出了越界重置策略控制越界的蝙蝠个体,将其拉回解空间内,并随机为其分配位置。并在蝙蝠种群有陷入停滞早熟状态时引入变异策略,使种群以当前最优解为中心向四周呈发射状搜索。提出采用线性渐变的方式对蝙蝠发出声波的响度和脉冲频度进行更新,使其变化与算法寻优的过程相适应。为了验证改进算法的有效性,从不同的解空间位置对比了改进算法与其他几种算法的优化能力。实验结果表明,新算法在解决多峰、高维问题上表现出更强的全局寻优能力,鲁棒性更强。前向神经网络的训练问题可以看作是一个优化问题。根据误差的梯度下降反向更新网络权值的方法存在很多缺陷,如规模较大的网络收敛速度慢,网络对优化问题的逼近能力对初始权值的依赖严重,网络的泛化能力不足等问题。蝙蝠算法在解决复杂、高维的优化问题中表现出突出的性能。本文将改进后的蝙蝠算法与误差反向传播算法相结合,提出了一种新的训练前向神经网络的算法。比较新算法与误差反向传播算法训练的网络对函数的逼近能力,验证了新算法的有效性。最后,将新算法训练的网络模型应用到分类问题的研究,研究结果表明了所提网络模型的泛化能力更强。