群搜索优化算法是S. He,Q. H. Wu和J. R. Saunders.于2006年共同提出的,来源于对动物觅食行为和群居形态的一种模仿,并首次利用了生物学的视觉搜索原理。但标准群搜索优化算法在处理多模态优化问题时易陷于局部极小值,此外,它在优化后期的收敛速度明显变慢,甚至处于停滞状态,难以获很好的全局最优解,因此本文针对上述两类问题,分别提出两种混合群搜索优化算法以提高优化性能。针对群搜索优化算法在多模态优化问题上容易陷于过早收敛,本文将Metropolis准则引入发现者的搜索模式,使得算法能以一定的概率接受劣解,从而强化算法的全局搜索能力,使其能有效跳出局部极值点。通过七个典型测试函数的测试,结果表明该算法的性能明显优于标准群搜索优化算法,尤其在求解高维多峰函数问题上有独特优势。针对一类特殊具有导数信息的优化问题,本文将限域拟牛顿法引入群搜索优化算法中,提出了群搜索优化算法与限域拟牛顿法的混合算法,并以七个典型测试函数的高维数值优化问题进行仿真,结果证明了其有效性。许多工程问题均可表示为非线性方程组的求解,本文针对四个典型的非线性方程组求解,利用上述两个改进的混合算法进行求解,结果均表明了群搜索优化算法与限域拟牛顿法的混合算法性能最佳。