近年来,随着人工智能的快速发展,最优化问题作为应用数学中重要的研究方向之一被广泛应用于自动驾驶、医疗诊断、智慧城市等领域中。无约束单目标最优化问题是最优化问题中最重要的研究方向之一。根据目标函数的类型不同,无约束单目标最优化问题又可以被细分为无约束单目标单峰最优化问题、无约束单目标多峰最优化问题和无约束单目标组合最优化问题。尽管对无约束单目标最优化问题,研究人员从不同方面对基于群智能的元启发式算法进行了改进,但是目前仍存在以下3点不足:第一,在解决无约束单目标单峰最优化问题时,过于依赖人为设计的策略,没有充分利用种群中个体的信息,从而导致寻优精度不高;第二,在解决无约束单目标多峰最优化问题时,无法根据待解决问题的难易程度快速调整个体的行为,导致泛化能力较差;第三,在解决无约束单目标组合最优化问题时,在优化过程中不能很好地平衡全局勘探能力和局部开发能力,容易陷入局部陷阱。本文围绕需要解决的问题,针对现有基于群智能的元启发式算法的不足,提出了一个可以应用于所有基于群智能的元启发式算法的随机游走策略以及两个基于群智能的元启发式改进算法。本文主要研究内容如下:（1）针对无约束单目标单峰最优化问题,提出基于万有引力的重力随机游走策略（GRW）。第一,GRW根据每个个体的性能和位置为其分配一个质量。第二,为了平衡基于群智能的元启发式算法在不同优化阶段中的勘探能力和开发能力,在GRW中设计了一个基于个体位置信息和当前迭代次数的自适应参数。第三,为了提高基于群智能的元启发式算法的勘探能力和开发能力,GRW根据个体的质量和自适应参数计算一个随机扰动并将其应用于个体的位置更新中。实验结果表明,GRW表现出的性能不仅明显优于目前常用的莱维飞行（Lévy Flight）,并且可以显著提高基于群智能的元启发式算法的勘探能力和开发能力。（2）针对无约束单目标多峰最优化问题,提出基于随机近似对立学习和混沌映射的自适应海洋捕食者算法（RCAMPA）。第一,为了提高RCAMPA的全局勘探能力并选择最合适的混沌映射,对立学习和三种常用的混沌映射被引入用于种群的初始化。第二,为了防止RCAMPA陷入局部陷阱,随机近似对立学习策略被提出用于提升RCAMPA的局部开发能力。第三,为了加快RCAMPA的收敛速度并增强其泛化能力,基于个体性能的自适应阶段转换策略被设计用于自动切换海洋捕食者的行为。为了验证RCAMPA的有效性,RCAMPA与原始MPA和4个近年来被提出的MPA改进算法进行对比。实验结果表明,RCAMPA的性能明显优于对比算法。（3）针对无约束单目标组合最优化问题,提出基于tent混沌映射和时变机制的改进非洲秃鹫优化算法（TAVOA）。第一,为了提高TAVOA的全局勘探能力,tent混沌映射被引入用于种群的初始化。第二,为了避免TAVOA陷入局部最优解中,个体的历史最优位置被记录并用于个体的位置更新。第三,为了平衡TAVOA在不同优化阶段的勘探能力和开发能力,本文设计了基于当前迭代次数的时变机制。为了验证TAVOA的有效性和效率,本文将TAVOA与5个基于群智能的元启发式算法进行对比。实验结果表明,TAVOA的性能明显优于其他5个对比算法。综上所述,本文提出了一个随机游走策略和两个基于群智能的元启发式改进算法分别用于解决无约束单目标单峰最优化问题、无约束单目标多峰最优化问题和无约束单目标组合最优化问题。实验结果表明,GRW、RCAMPA和TAVOA均取得了较好的寻优精度和稳定性。