群智能算法,作为一种模拟社会动物群体行为的智能算法,在解决实际的优化问题上,具有重要的理论意义和实用价值。目前典型的群智能算法有：蚁群算法、粒子群算法、混合蛙跳算法、蜂群算法以及群搜索算法等,本文首先对这几种算法的原理及优缺点进行了总结,并从这些算法背后的动物群体行为出发,对比研究这几种群智能算法不同的信息分享策略,指出了决定群智能算法性能优劣的关键因素。群搜索算法(Group Search Optimizer, GSO)作为一种新的群智能优化算法,适宜于解决多极值高维度优化问题,但其在优化的后期由于种群多样性不够,容易陷入局部最优值。而文化算法作为对群体的进化过程理解的准确性较高的一种算法,非常注重群体内经验知识的作用,这种符合文化进化机制的知识策略对算法的多样性及收敛效率有很大的影响作用。本文将文化算法的模型运用到GSO算法中,提出了一种基于文化进化的群搜索算法,同时增加了群体适应度方差这一参数以决定引入影响操作的时机,以进一步提高算法的收敛效率,并对算法的参数设置进行了讨论。最后将该算法与其他智能优化算法进行了四种典型测试函数优化的对比实验,并将之运用于工程优化设计问题、化工优化过程的实际案例中,所得结果均验证了本文改进的群搜索算法是有效并且可靠的。