灰狼优化算法(Grey Wolf Optimizer，GWO)是2014年提出的一种新型群智能启发式优化算法，它具有实现简单、优化性能良好、鲁棒性好等特点，已成功被应用于多类工程优化问题。然而，GWO算法也同样存在一些问题，诸如算法后期收敛速度较慢，容易出现早熟停滞，导致求解精度不理想;另外，对于一些复杂问题的求解时，GWO算法容易陷入局部最优解，导致无法找到理想解。本文针对GWO算法存在的问题，从算法和应用两个方面进行研究，提出了几种不同的改进方法，并将改进后的算法用于资源约束的任务调度问题(RCPSP)的求解。论文的主要工作和创新如下:　　1.针对GWO算法求解精度低，后期收敛速度慢的问题，通过引入动态权重因子改进了GWO算法的位置更新公式，并通过模糊控制器实现了自适应动态调节权重值。另外，为加快算法后期的收敛速度，讨论了算法中的收敛因子对全局搜索和深度搜索的比例的影响，通过引入一种新的非线性收敛因子，调整了算法广度搜索和深度搜索的比例，使算法的平均求解精度明显提高。　　2.为增强算法求解精度及自适应性，通过在位置更新公式中添加个体记忆项，提出一种混合粒子群算法的灰狼优化算法。受粒子群算法个体记忆和群体学习的启发，通过在灰狼优化算法中引入个体历史最优位置记忆功能，使个体结合个体历史最优经验及群体经验完成位置更新。最后，通过实验验证了改进算法针对10个标准测试函数的寻优表现。　　3.为解决GWO算法容易陷入局部最优的问题，提出了两种改进方法。第一种方法是在GWO算法中引入动态一般反向学习策略，增强种群多样性，通过同时学习个体和其反向个体的信息，扩大了群体的搜索空间，避免陷入局部最优。第二种方法是引入混沌扰动策略，能在发现陷入局部最优时对个体位置进行混沌扰动，使其跳出局部最优。最后，提出了一种基于Chebyshev混沌映射和动态一般反向学习的灰狼优化算法，并通过实验验证了其优秀的寻优能力。　　4.提出一种使用改进型GWO算法进行资源约束的任务调度问题的解决方案。为验证基于GWO算法的改进方法对于求解RCPSP问题的有效性和可行性，通过对RCPSP问题进行基本的数学建模，并选取标准问题库PSPLIB中的一个具体实例，通过使用几种改进的GWO算法来进行求解，并将其与最优解的误差作为评价指标，对比了几种改进方法的性能。