优化问题广泛存在于人类社会的各个方面,是研究的热点领域。优化算法则用于解决优化问题,其中群智能优化算法是根据生物群体解决问题的社会性合作行为产生的仿生算法,被应用到实际问题中取得了较好的效果。由于仿生对象的不同,每种算法都有自身的优势,同时也有其局限性。混合算法就是遵循一定规则将两种或两种以上优化算法整合成新算法。实践证明,混合算法在交通流预测、水库优化调度、无人机巡航控制等优化问题中有着更好的优化效果。本文对粒子群算法和狼群算法原理进行了深入研究,并分析总结了其各自的优势与不足。针对单个算法存在的问题,提出了三种混合算法和一种改进粒子群算法,并将一种混合算法应用于无线传感器网络(WSN)网络覆盖率优化问题中,具体创新点有以下几方面:(1)针对单目标优化问题,提出了基于狼群更新机制和围攻狼奔走的个体历史最优位置系数粒子群算法(S-λPSO)。在深入分析粒子群算法中粒子飞行轨迹的基础上,设计了个体历史最优位置递减系数,提出了加入个体历史最优位置系数的粒子群算法(λPSO),实验证明λPSO相比于标准粒子群算法(PSO)在单峰问题中求解精度更高,时间开销也更少。在λPSO基础上,引入狼群算法中狼群更新机制增强了种群多样性、算法的拓展能力;又嵌入狼群算法中围攻狼奔走算子,增强了算法全局寻优能力和局部寻优能力,丰富了寻优策略。实验表明S-λPSO在面临多数单目标优化问题时的优化精度、寻优速度、跳出局部最优能力更好。(2)针对多目标优化问题,提出了基于狼群更新机制和围攻狼奔走的个体历史最优位置系数多目标粒子群算法(S-λMOPSO)。多目标优化问题是要求得一组能够使各个目标都能够达到更优的解集,因此单目标优化问题的优化算法不能直接用于多目标优化问题。本文针对于多目标优化问题的特点,将S-λPSO算子改进和增加新算子形成了适用于多目标优化问题的混合算法。实验表明S-λMOPSO在面临多目标优化问题时所得的Pareto前沿对问题真实Pareto前沿覆盖程度高,且分布更为均匀。(3)基于双种群进化策略,提出了一种并联结构的共享优质个体的粒子群和狼群混合算法(W-PSO)。并将W-PSO应用到WSN网络覆盖率优化问题中。仿真实验表明W-PSO在WSN网络覆盖率问题中有良好的优化性能。实验结果表明,以上三种混合算法在解决优化问题时的优化质量和优化效率良好。其中S-λPSO在解决单目标优化问题时的优化精度、寻优速度、跳出局部最优能力良好;S-λMOPSO在解决多目标优化问题时所得的Pareto前沿对问题真实Pareto前沿覆盖程度高,且分布更为均匀;对WSN网络覆盖率优化时,W-PSO实验所得的平均网络覆盖率相比于标准粒子群算法和狼群算法分别提高了6.55%和2.79%,最优网络覆盖率分别提高了6.84%和3.93%。本文提出的三种混合算法为群智能算法的研究提供了新的方向,通过混合算法在WSN网络覆盖率优化问题中的应用,为微电网优化配置、城市交通线路规划等问题的优化拓展了思路和方法,能带来一定的经济效益和社会效益,有利于加强国民经济建设、推动新型信息技术发展。