灰狼优化算法（GWO）是通过模仿灰狼种群的等级结构以及捕食行为所提出的一种新型的群智能优化算法,具有寻优性能好、结构简单和易于操作等优点,在科学研究和工程实践中均得到了广泛的应用。但GWO与其他群智能算法一样,也存在一些不足,比如容易陷入局部最优、算法后期收敛速度较慢以及面对复杂优化问题时性能不佳等。本文在之前学者对GWO研究的基础上,对算法进行更深入的研究,提出了两种改进算法,并将改进后的算法应用于解决迟滞非线性系统的优化建模问题。本文的主要工作内容如下:首先,论文提出了一种基于变权重首领狼策略和末位狼调整策略的改进GWO。该算法首先提高了Alpha狼在迭代过程中的权重,并引入一种末位狼调整策略,提高了算法的种群多样性和寻优性能。通过在标准测试函数上进行的算法寻优实验,并与标准GWO及其他群智能算法进行对比,验证了改进算法的性能。然后,为了保护首领狼的潜在有用信息并提高种群的信息利用效率,论文提出了一种基于维度学习策略和莱维飞行的改进GWO。改进算法通过维度学习策略构建模范狼引导种群位置更新,并引入莱维飞行策略,显著提高了算法的全局探索和局部开发能力。通过与其他群智能优化算法进行的对比实验,验证了该改进方案在求解优化问题时的有效性。最后,论文将所提出的两种改进GWO应用到迟滞非线性系统的优化建模问题中。利用改进算法在压电陶瓷微定位平台以及磁控形状记忆合金（MSMA）执行器上分别优化了Krasnosel’skii-Pokrovskii（KP）、Prandtl-Ishlinskii（PI）和Nonlinear Auto Regressive Moving Average with Exogenous Inputs（NARMAX）三种迟滞非线性模型,仿真实验结果表明,本文提出的改进算法在解决迟滞非线性系统的优化建模问题时具有较高的建模效果,对于迟滞非线性现象具有良好的描述能力。