最优化问题普遍存在于现实生活中，且随着人类对节能、环保等要求的日益提高，其作用显得越来越重要。最优化方法是解决最优化问题的理论和算法，主要包括传统优化算法和智能优化算法两大类。传统算法多采用导数优化方法(也称梯度优化方法)，主要是通过求导获得解的信息，但在求解问题时通常要求优化对象具有明确的问题模型、良好的可微性和连续性条件。随着现在实际优化问题的复杂性、多样性、不确定性呈现出的日益增加的趋势，使得传统优化方法解决问题的范围越来越窄。智能优化算法应运而生，克服了以上缺点，加之算法自身的通用性、灵活性、计算并行性等特点，使智能算法在优化领域迅速取得成功，解决了大批以往难解的复杂优化问题，但现有的智能算法缺乏严格的理论论证和统一框架，没有形成一般性方法，只能具体问题具体分析，同时面临求解时易陷入局部极小、求解精度不高、早熟、求解效率低等问题。因此，优化理论与算法的研究是一个非常具有理论意义和应用价值的课题。 现有的智能优化算法其本质是对生物现象或者自然规律的一种模拟。Animat理论是人工生命的一种表现形式，具有自治性、适应性、涌现性等复杂系统所体现的特点。基于animat理论，采用面向对象的分析方法建立其视觉模型和反应行为机制，通过模拟动物勘查周围复杂、陌生的环境以寻找路径的方式，建立了一种灵活稳定的优化策略；采用改进的Powell方法对animat的视觉模型进行了改进，并对算法功能进行了扩展；针对多模态函数优化问题，对其求解能力及收敛性进行了仿真验证，结果表明，该优化模式充分发挥了animat的理论特点，可以很好的处理不同复杂度的问题，具有很强的自主性和适应性，同时具有良好的收敛性和计算精度，并可以克服现有智能优化算法在求解优化问题时的早熟、求解精度不高等问题。 最后，指出了本文不足之处以及有待进一步解决的问题，并对基于animat视觉模型的智能优化模式的发展前景作出了展望。