随着社会的快速发展,大规模的复杂问题求解（如NP类问题）已成为研究领域的难点,自然启发式算法作为一种复杂问题求解的有效手段,越来越被学者们关注。树种算法作为一种自然启发式优化方法,因其参数少、结构简单和效果好等显著优点,自2015年由Kiran提出便引起学者们的高度重视。然而,该算法仍存在一些不足:（1）现有的树种演化机制难以确保树在迭代中不断被更新,易陷入局部最优;（2）现有的种子生成机制以树为中心,存在“局部强、全局弱”的问题,未实现两者的有效平衡;（3）算法难以求解高维搜索空间的优化问题。针对树种算法的上述不足,本文在原算法的基础上,提出了三种改进算法,具体为:改进算法一、一种基于树种与尊海鞘群优化的混合算法（TSA-SSA）。在树种算法的基础上,引入尊海鞘群算法中全局最优导向的空间搜索思想,有效地增强了TSA-SSA算法的全局搜索能力,加快了收敛速度。以此为基础,又借鉴了尊海鞘群算法的空间搜索模型,提出了非进化树迁移机制,弥补了树种算法中树种演化难的问题,避免陷入局部最优。改进算法二、一种基于黄金分割法则的树种变体算法（gold＿TSA）。算法引入了黄金分割比例系数,提出了基于黄金分割比例的种子生成机制,划出适宜种子生长的黄金生长区域。以此为基础,又提出非进化树应及时移动的原则,从而完善了树种演化机制。通过对比实验,所提出的树种演化机制在一定程度上解决了原算法在迭代中易陷入局部最优的不足。改进算法三、一种基于帕累托定律的树种变体算法（PTSA）。为有效解决原算法在迭代中所产生的非进化树问题,依据帕累托定律,将算法种群中适应度值排名前20%的树所组成的群体定义为优质树群,并将非进化树迁移到优质树群之中。同时,提出可迁移的种子生成机制,以改进原种子生成机制中全局搜索能力的不足。实验结果显示,基于帕累托定律的树种变体算法能够有效地弥补原算法中树种演化机制易停滞的缺陷,从而完善了树与种子的繁衍方式。最后,本文采用57个实际约束优化问题（57 real-world constrained optimization problems）,该问题来自2020年世界计算智能大会（WCCI）中电气与电子工程师协会进化计算会议（IEEE CEC）的实际单目标约束优化竞赛,以验证所提出的三种改进算法在求解真实复杂优化问题时的效果。结果表明:三种改进算法能够求解大部分的实际约束优化问题,与竞赛中前8名算法相比,具有一定的竞争力,在求解管理应用的复杂约束优化问题上,具有广阔的应用前景。