机械故障诊断学是识别机器或机组运行状态的科学,其核心是有效地获取、传递、处理、再生和利用诊断信息,从而具备对给定环境下诊断对象进行准确的状态识别和诊断决策的能力,对于保障设备安全运行意义重大。目前,随着机械设备工作状况的复杂性、结构大型化以及功能的集成化和自动化的发展,如何从这些设备中提取有效信息,判定设备的运行状态并对所发生的故障进行准确诊断,对于现有的故障诊断方法提出了新的考验。本论文针对目前在机械设备故障诊断中的一些难题,将新型的群智能算法—混合蛙跳算法与改进算法的相关理论应用于机械故障诊断中,从“智能优化”处理的角度,完成了对诊断系统中传感器优化布置、神经网络模型的参数优化及无监督类机器学习中代价函数和聚类数的智能求解。论文主要工作如下：(1)在分析混合蛙跳算法相关概念和数学模型的基础上,通过简化的青蛙个体更新模型,以z变换为数学工具对最差青蛙的动态行为进行分析,理论上证明了其局部收敛性和全局收敛性；结合Markov模型以及算法期望收敛时间的相关概念,完成了对混合蛙跳算法的收敛速度理论分析以及算法本身的复杂度分析,完善了混合蛙跳算法的部分理论；以单因素方差分析法为数学工具,首次全面分析了算法中的5个基本参数与算法性能之间的联系,以及其参数的效能问题,结合实验数据,得到SFLA参数设置对算法的影响规律；(2)提出了一种基于交叉和变异运算的离散型混合蛙跳算法,该算法在最差青蛙进行更新时,通过交叉运算得到平均最优青蛙,将其与最差青蛙的汉明距离的大小作为其是否变异运算的依据,仿真试验证明,该算法可有效地解决了标准混合蛙跳算法在求解0-1变量类型的函数时的不足；通过建立基于系统测试可靠性的和故障-传感器因果矩阵的传感器网络优化的数学模型,解决了针对齿轮箱故障诊断时传感器的测点位置和数量的智能优化选择,计算结果不仅表明了新算法的优越性,也可为其它NP难问题提供技术支持;(3)提出了一种基于混沌思想和收敛因于的连续型混合蛙跳算法。利用混沌序列完成青蛙种群的初始化以及快速跳出最差位置,同时以收敛因子为纽带,将标准混合蛙跳算法的两步迭代转换成一步迭代,提高了算法的计算速度和收敛精度；针对滚动轴承早期故障难以区分的特点,提出了以改进的蛙跳算法优化BP网络初始权值和阈值的方法,以轴承信号的EMD分解后的IMF样本熵为故障特征进行模式识别,实验表明,该方法构成的BP网络的对故障分类的正确率和鲁棒性均得到了提高;(4)通过分析DE算法,将其算法中的部分个体更新策略应用于SFLA算法中的最差青蛙个体的更新过程,形成多个进化方式同时存在且相互竞争的新型策略,构成新型的改进型算法；通过比较K-Means的原理,提出了一种结合改进混合蛙跳算法的新型的自适应聚类分析方法,结合DB指标作为聚类效果的判断标准,不仅可以快速找到聚类中心向量,而且还能准确的确定数据集的最佳聚类数；通过一些测试数据集合进行验证,并结合机械故障诊断的实例,验证了算法的有效性；(5)提出了一种基于惯性权重的混合蛙跳算法的改进方法。首先在理论上给出了收敛性的证明,并给出了三种不同的权重设置策略,仿真实验测试了算法的有效性；其次,采用加权融合思想,结合VPMCD模型,提出了MSFLA-VPMCD的方法,并应用于滚动轴承的故障诊中；最后,将本文提出的其它两种针对连续变量的改进型算法与此方法进行对比实验。