近年来大规模化学工业蓬勃发展,化学工业过程的模型日趋复杂,对模型的优化问题也趋向于高维度化多模态化。群智能算法作为一种通过模拟社会动物群体行为来对优化问题进行求解的方法,在解决实际的优化问题上具有重要的理论意义和实用价值。目前研究较多的群智能优化算法有：粒子群算法、群搜索算法、蚁群算法、混合蛙跳算法及蜂群算法等,本文首先对这些算法进行了概述及总结,每种算法都有自身特点和优势,同时也都有自身缺陷和不足。粒子群算法(PSO)具有较好的全局搜索能力,善于在较大的搜索空间中发现一个相对较优的局部搜索区域；而群搜索算法(GSO)具有良好的局部搜索能力,更善于在一个相对较小的局部搜索区域内进行寻优,但随着实际优化问题越来越复杂,基本PSO和GSO算法在求解大规模复杂问题时存在容易陷入.局部最优解、过早收敛等问题。因此,本文针对这些问题,充分发挥粒子群和群搜索算法在全局搜索和局部搜索中的优势,将这两种算法相结合融入文化算法的框架中,提出一种优势互补的混合算法——基于文化框架的群搜索和粒子群的混合算法,算法的框架仍由种群空间和信仰空间组成；种群空间按照PSO算法机制演化,而信仰空间以GSO算法机制演化,两类空间通过接受函数与影响函数组成的通讯协议关联在一起,同时引入了动态选择影响时机的策略,以进一步提高种群的多样性及算法的效率,并对改进算法的参数设置进行了详细讨论。最后将本文算法与其它智能优化算法对6个典型测试函数分别在30维和300维的情况下进行对比试验,并将之运用于化工优化过程的实际案例中。所得结果均验证了本文改进的算法是有效并可靠的。