鸡群（Chicken Swarm Optimization,CSO）算法是近年来提出的一种较为新颖的群体智能算法,它模拟了自然界中鸡群在等级制度下的觅食行为。CSO算法将整个鸡群划分为公鸡、母鸡和小鸡,其中公鸡带领母鸡搜索,小鸡跟随母鸡搜索。与其他群体智能算法一样,CSO算法也存在收敛速度慢、容易陷入局部最优等不足。对群体智能算法而言,在搜索过程中平衡探索与开采是提高算法性能的一种有效措施。因此,本文结合CSO算法的搜索特点,从探索-开采平衡的角度提出一系列改进算法。具体研究工作如下:首先,利用引领作用平衡探索与开采,提出一种基于刺激-响应机制的改进CSO算法。具体的,考虑公鸡的引领作用为其设计探索和开采两种搜索方程,并根据种群聚集度和平均改进度分别定义执行搜索方程的刺激和阈值。在刺激-响应机制下,公鸡充分发挥引领作用,带领鸡群完成探索与开采。在基准函数优化和食管癌生存风险预测模型优化上的仿真实验表明,所提算法显著优于其他比较算法。其次,利用等级制度平衡探索与开采,提出一种基于增强支配关系的改进CSO算法。具体的,根据适应度建立公鸡-母鸡支配关系,母鸡通过优先跟随适应度高的公鸡提高开采能力。根据多样性建立母鸡-小鸡支配关系,小鸡通过优先跟随多样性好的母鸡提高探索能力。在“公鸡-母鸡-小鸡”等级制度下,鸡群兼顾了探索与开采。在基准函数优化和食管癌生存风险预测模型优化上与其他算法进行对比实验,结果证明了所提算法的有效性。最后,利用种群状态平衡探索与开采,提出一种基于多样性引导的改进CSO算法。具体的,采用个体-中心距离计算种群多样性,并根据多样性划分探索和开采。在探索过程中,利用随机解信息寻找有前景的解。在开采过程中,利用最优解信息加快收敛速度。在多样性引导下,鸡群交替进行探索与开采。在22个基准函数和食管癌生存风险预测上与其他算法进行比较,实验结果表明,所提算法在大多数情况下优于或至少可与其它对比算法相媲美。