最优化问题广泛存在于现实生活中,常见的有函数优化、工程设计等,这些问题普遍具有维度高、约束条件多以及非线性等特点,而传统优化方法的求解精度和求解效率很难满足实际需要,智能优化算法在此情况下应运而生。由于具有智能性和普适性等特点,智能优化算法受到了研究人员的青睐,并被广泛用于求解复杂优化问题。相较于其他的智能优化算法,海洋捕食者算法具有原理简单、参数少、易于实现以及全局探索能力强等优点。但该算法还存在收敛速度慢和寻优精度低等问题,其研究与应用尚处于初级阶段,因此,海洋捕食者算法具有进一步研究和探索的意义。为提高该算法的优化性能并拓展其应用范围,首先,对海洋捕食者算法的优缺点进行分析总结;然后,围绕单目标连续优化、多目标连续优化和离散优化三种不同类型的优化问题分别对算法进行改进。相关研究分为以下三个方面:（1）针对单目标连续优化问题,提出结合学生心理优化的海洋捕食者算法。首先,采用Tent混沌序列提高初始种群的多样性;其次,引入非线性收敛因子提升算法的收敛速度和探索能力;最后,将基于学生心理的优化算法中学习与自主学习的策略融入海洋捕食者算法以加强种群间的信息交流,并在算法的迭代过程中,采用自适应变异策略提高算法跳出局部最优的能力。实验结果表明,改进算法在收敛速度和寻优精度方面都具有优势。（2）针对多目标连续优化问题,提出结合双阶段优化策略的多目标海洋捕食者算法。首先,采用Henon混沌序列生成二维初始种群以提高其遍历性;其次,引入非支配排序方法提高算法的探索能力;最后,将同时兼顾探索与开发的双阶段优化策略融入算法的更新迭代阶段以提升其优化性能。实验结果表明,改进策略提升了帕累托解的多样性和收敛性。（3）针对电动车辆路径为代表的离散优化问题,提出自适应大邻域海洋捕食者算法。首先,利用节约里程法生成初始解;然后,采用大邻域搜索策略中的删除算子和修复算子以进一步优化解的性能;最后,通过求解电动车辆路径问题验证改进算法的性能。实验结果表明,改进算法求解电动车辆路径问题比其他的算法更具有竞争力。本文分析了海洋捕食者算法的不足,并针对单目标连续优化、多目标连续优化和离散优化三种不同类型的优化问题分别对算法进行改进。实验结果表明,改进算法求解函数优化、工程设计为代表的单目标连续优化问题和多目标连续优化问题均取得了较好的效果,并能够很好地求解电动车辆路径为代表的离散优化问题。