随着科学技术快速发展,人们越来越需要找到一种高效的处理复杂优化问题的技术。由于群智能算法在复杂优化问题中有非常突出的优点,得到了很多的学者的关注。本文提出了灰狼增强综合学习粒子群算法和混沌增强蝙蝠算法两种改进群智能算法,增强了综合学习粒子群算法和蝙蝠算法搜索最优解的能力。并将改进后的算法应用于实际优化问题中。本文的主要研究内容如下:(1)本文提出了一种混沌增强蝙蝠算法。蝙蝠算法是研究者利用自然界蝙蝠回声定位进行捕食的原理,提出的一种优化算法。它已被应用于许多领域,如工程设计、特征选择和机器学习等方面。然而,在求解复杂的优化问题时蝙蝠算法容易陷入局部最优。本文在蝙蝠算法中加入混沌映射模型。通过一个阈值控制混沌映射的次数,利用速度惯性权值控制算法的搜索速度。这些机制的设计提高了蝙蝠算法的收敛精度和收敛速度。混沌增强蝙蝠算法与10种原始算法和8种最新改进算法在30个基准函数上比较,验证所提出算法的有效性。实验结果表明,提出的混沌增强蝙蝠算法不仅优于原始的算法,而且优于最新的改进算法。使用混沌增强蝙蝠算法优化核极限学习机参数C和γ,提出了基于混沌增强蝙蝠算法优化的核极限学习机混合模型(CEBA-KELM)。CEBA-KELM模型在帕金森数据集上诊断效果优于其他模型,证明混沌增强蝙蝠算法在医学诊断方面有比较好的效果。混沌增强蝙蝠算法成功地应用于多个约束工程问题。结果表明,混沌增强蝙蝠算法能够有效地处理约束问题。(2)本文提出了一种灰狼增强综合学习粒子群算法。综合学习粒子群算法(CLPSO)是利用综合学习策略(CLS)改进粒子群算法(PSO),有效地提高了粒子群算法的性能。但在处理单模态函数时,算法的收敛速度较慢,无法在函数优化过程中快速收敛到最优值。本文将另一种成熟的算法—灰狼优化算法(GWO)与综合学习粒子群算法相结合,增强综合学习粒子群算法的局部搜索能力。并在30个基准函数上与7种经典的原始算法和8种先进的改进算法进行了实验比较,灰狼增强综合学习粒子群算法在四种不同类型的函数上都优于其他比较算法,验证所提出算法的有效性。将改进后的算法应用于肥料效应函数方面,利用群智能算法优化出的模型优于传统方法优化出的模型。同时,改进后的算法成功地应用于焊接梁、工字梁和压力容器这三个约束工程设计问题。实验结果表明,该算法能有效地处理约束问题,解决实际生产中遇到的问题。