1、智能優(yōu)化算法一般是利用自然、社會等復雜系統(tǒng)與優(yōu)化問題的某些相似性而逐步發(fā)展起來的，它按照某些概率規(guī)則對搜索空間中的一組初始解進行操作，從而得到下一組可行解。因此算法本身的搜索機制決定了算法的尋優(yōu)性能。 本文針對粒子群優(yōu)化算法、混合蛙跳算法和和聲搜索算法這三種智能優(yōu)化算法作了比較深入的研究，在此基礎上將這些算法作了進一步的改進和推廣，取得了較為滿意的結果。其主要工作概述如下： 1.針對標準粒子群優(yōu)化算法在處理復雜函數(shù)優(yōu)化問

2、題時容易陷入局部最優(yōu)、收斂精度低的缺點，利用生物學中的吸引排斥機制修正了粒子群優(yōu)化算法的更新策略，由此提出了一種基于吸引排斥機制的粒子群優(yōu)化算法，理論分析和數(shù)值試驗表明算法有較好的優(yōu)化性能。 2.對混合蛙跳算法作了進一步的研究，修正了其搜索機制，維持了子群的多樣性。實驗仿真結果表明，改進后的混合蛙跳算法提高了算法的收斂速度，有效地避免了SFLA的早熟收斂問題，從而改善了對復雜問題的搜索效率，驗證了算法的可行性和有效性。