飞蛾捕焰优化算法(Moth Flame Optimization,MFO)是在2015年由澳大利亚学者Seyedali Mirjalili提出的一种全新元启发式算法。该算法是将自然界飞蛾曲线捕捉火焰的行为建立数学模型,用于优化问题的求解。虽然,MFO算法易于实现以及调节参数少,并且有着不错的求解性能。但是,当MFO算法求解规模庞大的复杂函数时,还是容易发生陷入局部最优解的情况,而且其计算的效率比较慢,不能快速收敛。因此本文提出一种飞蛾纵横交叉混沌捕焰算法(Moth Flame Optimization Algorithm Based on C haotic C risscross Operator,CC MFO)来弥补基本MFO算法上述的两大缺陷。首先,在基本MFO算法中引进纵横混沌交叉机制。纵向和横向这两种交叉捕焰方式相辅相成,当横向维度的人工飞蛾陷入局部最优解的时候,可以通过纵向交叉计算跳出局部最优解;当纵向维度的人工飞蛾陷入局部最优解的时候,可以通过横向交叉带来的火焰信息,扩大范围寻找更优的火焰解,避免算法早熟。双维度交叉寻优可以让火焰信息在种群中的传播范围更加广阔,更加快速,有利于提高算法的求解精度和速度。同时,在纵横交叉捕焰中通过加入混沌算子,通过其随机性以及遍历性来计算相关的参数,控制人工飞蛾的位置变化,避免算法早熟。纵横混沌交叉机制弥补了基本MFO算法收敛速度慢以及求解精度低的这两个缺点。接着,本文将改进后的飞蛾纵横交叉混沌捕焰优化算法应用到BP神经网络中,对网络流量进行短期预测。在训练BP神经网络时,引入了CCMFO算法优化,通过纵横双交叉混沌寻优机制代替传统的梯度下降法,来调整相关的权值和阈值,提高BP神经网络的预测精度值。通过仿真实验证明,此预测模型具有较好的预测精度和稳定性。这体现了本文提出的改进飞蛾捕焰算法具有一定的实际应用价值。同时,将此神经网络模型的预测结果应用在全网安全态势的感知中,提出一种基于信息熵的网络安全态势感知方法,进一步提升此神经网络预测模型的实用性。最后,本文总结了相关研究工作,并说明在下一阶段,将进一步发掘改进飞蛾捕焰算法与网络流量预测模型,应用在更多的工程项目领域中,以提高其应用价值。