自私兽群优化算法是模拟自然界中猎物-狩猎者关系行为的一种新的群智能优化算法。该算法通过模拟在自然界中猎物躲避捕食风险时的行为和狩猎者猎杀行为来实现算法搜索过程,并通过控制两组个体的数目来平衡全局搜索和局部搜索。该算法具有精度高、鲁棒性强等特点。但随着研究的深入,发现自私兽群优化算法寻优速度慢、后期寻优精度低且易陷入局部最优等缺陷。文中针对自私兽群优化算法所存在的不足,提出了3种改进版本自私兽群优化算法,并应用于解决一些工程问题,目的在于改进算法的整体优化性能,扩展其算法的应用领域。本文工作主要包括3个方面:(1)提出基于精英反向学习的自私兽群优化算法,将精英反向学习策略引入自私兽群优化算法,并根据自私兽群优化算法的特性,针对猎物群体中个体进行精英反向学习,扩大了种群搜索空间,增强了种群多样性,避免了算法陷入局部最优。实验结果表明,精英反向学习的自私兽群优化算法在求解函数优化和工程实例问题具有较好的收敛速度和寻优精度。(2)提出了一种离散版本的自私兽群优化算法,根据自私兽群优化算法狩猎者个体和猎物个体属性功能,引入离散型的位置更新机制,并且引入了差分选择策略来选择被猎杀的猎物个体,提高了算法的寻优速度。通过随机给出的6个平面图和2个实例图的着色问题进行测试,实验结果表明,离散版本的自私兽群优化算法可获得有效的解。(3)提出了一种新的的自私兽群优化算法,引入去除首领机制策略,防止全局搜索到猎物种群中个体陷入局部最优,提高算法全局搜索能力,并将该算法其应用于无线传感网路中的监测区域节点部署方案问题,实验比较分析,结果表明相对于其他智能算法,收敛速度快,寻优精度高,稳定性好。