近些年,智能优化算法因其独特的高效运行机制,逐渐在医疗卫生、工程等多个领域发挥了重要作用。社会群体优化算法(Social Group Optimization,SGO)是一种基于社会群体学习的新型优化算法。此算法参数较少,操作简单,易于实现。目前,对于SGO算法的理论研究还处在初级阶段,相对于一些较为成熟的优化算法,其理论还不够完善,工程应用还有待于进一步拓展。本文在原始社会群体优化算法的基础上,提出了改进算法整体性能的方法,并将改进的算法拓展到相关的应用领域。本论文的主要研究内容如下:(1)针对社会群体优化算法易于陷入局部最优问题,提出一种多群社会群体学习算法(MPSGO)。此算法采用多子群学习方法,对算法两个阶段的个体学习方法进行改进,在维持群体收敛性能的前提下提高群体多样性,同时对部分个体中引入量子学习,使个体学习的有用信息得以增强;此外,每隔一定代数对子群进行随机重组,既能保证各子群个体充分进化,又维持了子群多样性。在设计算法的基础上,分析了其收敛性和多样性;通过与其它四种算法进行对比实验,验证了改进算法性能的效果。(2)设计离散化SGO算法。SGO算法最初是用来优化连续域函数问题,而在实际工程应用中有很多组合优化问题属于离散域范畴的问题,需将SGO算法进行离散化处理。本论文对连续SGO算法进行离散化处理,按照任务要求设计一些离散化运算规则,并成功应用于TSP问题求解。在SGO算法的提高和获得阶段分别引入交叉、变异操作,提高了种群的多样性,降低了算法陷入局部最优解的概率。在标准TSP测试数据下进行了相关实验,实验结果表明利用社会群体优化算法求解旅行商问题具有较好的结果。(3)拓展SGO算法的应用领域。在原社会群体优化算法基础上引导部分个体向历史种群中的优秀个体学习,以提高种群的收敛速度;将改进后的算法与CECA(Coverage and Energy Aware Clustering Algorithm)协议结合,使WSN中簇首以多跳方式向基站进行数据传输来延长网络的生存周期,通过与其它算法进行对比实验,结果表明,改进后的算法在WSN问题中表现出良好的效果。综上所述,本论文对SGO算法进行了较为全面的深入研究和分析,提出了两种有效的改进方法,拓展了算法的应用领域。为SGO算法的研究提供了借鉴和参考。