随着现实世界中的优化问题越来越复杂,传统的优化方法难以解决,越来越多的研究人员关注于利用启发式方法来寻找优化问题的高质量解。演化算法是一类基于群体智能的元启发式算法,因其通用性和有效性成为解决现实问题的主要方法之一,被广泛应用于解决科学,工程和工业领域中的优化问题,是一种应用非常前景广阔的全局优化方法。灰狼优化算法是由Seyedali Mirjalili于2014年提出的一种模拟灰狼社会阶级和捕食行为的群智能进化算法,具有调节参数少、进化公式简洁和易实现等特点,已被用于求解许多实际的优化问题。然而该算法也存在易陷入局部最优的缺陷,针对这一问题,本文提出一种基于分散搜索策略的改进灰狼优化算法,进一步提高算法的收敛精度。此外,原始灰狼优化算法的进化算子是针对数值优化问题设计的,未经离散化无法直接应用于组合优化问题。为此,对已有基于转换函数的方法进行研究,寻找最适合于灰狼优化算法离散化的转换函数,提出一种可用于求解组合优化问题的二进制灰狼优化算法,并利用多维背包问题实例对其在离散空间中的寻优能力和鲁棒性进行测试。最后,将所提出的二进制灰狼优化算法用于特征选择,给出了一种求解该问题的新方法。本文主要研究内容如下:1.对灰狼优化算法已有的改进策略进行总结和比较,提出一种分散搜索策略对灰狼优化算法进行改进,由此使个体的历史最优信息得到利用,同时进一步增强不同个体间的信息交换,在自调节参数的基础上使算法的收敛速度和收敛精度得到改善。2.在比较了用于演化算法离散化的已有五种转换函数基础上,提出了一种可用于求解二元优化问题的二进制灰狼优化算法BGWO;在BGWO的个体评价过程中引入一种基于贪心策略的修复与优化法处理异常编码的灰狼个体,由此给出了求解多维背包问题的一个新的有效方法,并利用多维背包问题的通用标准测试实例验证了算法的性能。3.将二进制灰狼优化算法用于特征选择,提出一种基于二进制灰狼优化算法和KNN分类器的包装式特征选择方法,通过UCI数据集对算法的分类效果进行测试、分析与比较,验证所提出方法的可行性与有效性。