群智能算法是一类具有简单性、灵活性和通用性的全局优化算法。它为复杂优化问题提供了有效解决方法,并已广泛应用于许多科学研究、工程应用、经济、军事、管理等领域。由于群智能算法的个体更新规则简单,个体学习能力不够强;且算法在迭代过程中会产生大量中间数据,而这些数据中包含的有用信息没有充分利用。面临日益复杂的优化问题时,这些不足严重影响了群智能算法的性能。为了更高效地求解日益复杂的优化问题,本文通过改进个体更新规则、结合反向学习等技术从中间数据中挖掘有用信息,从而提高算法性能。本文根据上述思路,主要进行了如下研究。(1)对取样路径优化问题进行分析并给出其数学模型。为有效解决该问题,充分利用问题特性,提出了一种多启发式信息蚁群优化算法。该算法将问题特性作为一项新的启发式信息加入蚂蚁构建路径的概率计算公式中。理论上,对该算法的收敛性进行了分析,并详细分析了新增启发式信息的作用。实验上,也验证了新增启发式信息项的有效性和多启发式信息蚁群优化算法的性能,并对新引入的参数进行了详细分析,给出求解质量较好且稳定性也较好的参数取值。此外,从最佳参数取值上进一步验证了新增启发式信息在路径构建中的重要作用。该算法为取样送检路径规划问题提供了有效解决方法。(2)提出了部分吸引模型、快速吸引力计算策略并构建了部分吸引萤火虫算法。在分析标准萤火虫算法个体更新规则的基础上,提出了一种部分吸引模型,在降低标准萤火虫算法的时间复杂度的同时,充分利用多个更优个体的信息。提出一种快速吸引力计算策略,保证宽搜索区域和高维优化问题中的群体之间的信息共享。结合部分吸引模型及快速吸引力计算策略构建了部分吸引萤火虫算法。该算法保持了标准萤火虫算法的简单性,且时间复杂度低于标准萤火虫算法。实验证明了部分吸引模型和快速吸引力计算策略的有效性。并与新近的萤火虫变种算法和其它群智能算法比较,在CEC’ 2013测试集的大多数函数上,部分吸引萤火虫算法能够取得更高精度的解。在求解伦纳德琼斯势能问题时,与其它萤火虫变种算法相比,部分吸引萤火虫算法也表现出更高求解精度。(3)提出邻域重心反向学习策略及邻域重心反向学习粒子群优化算法。分析现有的反向学习粒子群优化算法的相关研究,指出了存在的不足,即计算反向解时没有充分利用群体搜索信息。同时,考虑到保持种群多样性,扩展了重心反向,提出了邻域重心反向学习策略,并应用到粒子群优化算法中。在8个常用测试函数和28个CEC’2013测试函数上进行了 一系列的实验,证明了邻域重心反向学习策略的有效性。经与知名粒子群变种算法比较,表明邻域重心反向学习粒子群优化算法的良好性能。实验还进一步分析了拓扑结构对算法的影响,得出了不同拓扑结构对该算法性能影响不大的结论。在求解扩频雷达相位设计问题时,与标准粒子群算法、有代表性的反向学习粒子群算法,以及两种知名粒子群变种等算法相比,邻域重心反向学习粒子群优化算法也取得了更好的结果。(4)提出了两点全交叉重心反向学习策略和一种基于两点全交叉重心反向学习的部分吸引萤火虫算法。分析了现有的反向学习的相关研究,指出了反向学习有进一步提升的空间。借鉴了两点交叉的思想,提出了两点全交叉操作,并将其应用于重新组织个体和反向个体的信息,得到了部分维上取反向值的反向候选解,以提取个体和反向个体中隐含的有用信息,构建了一种两点全交叉重心反向学习策略。将该学习策略应用于部分吸引萤火虫算法中,得到基于全交叉重心反向学习的部分吸引萤火虫算法。在CEC’2013测试集上进行实验验证,实验数据表明:两点全交叉重心反向学习策略比其它多种反向学习策略更具有高效性,全交叉重心反向学习的部分吸引萤火虫算法的收敛性能比其它相关算法更好。(5)提出了正交反向学习策略和一种基于正交反向学习的萤火虫算法。为了进一步挖掘反向点中包含的有利信息,采用正交试验设计的方法,提出一种正交反向学习策略,反向点和原始点中找出各维度上的值的最优组合,从而提高算法收敛精度。该学习策略中,采用重心反向计算,利用群体搜索经验的同时避免搜索依赖坐标。在萤火虫算法框架下,将该学习策略应用于随机选择的一个个体上,充分利用该学习策略得到的有用信息,构建了一种基于正交反向学习的萤火虫算法。实验结果说明了正交反向学习策略的有效性,与多种新近的改进萤火虫算法相比,正交反向学习算法在大多数函数上获得更高的求解精度。