哈里斯鹰优化算法（Harris Hawks Optimization,HHO）是一种通过模拟自然界中哈里斯鹰种群捕食、突袭和攻击行为而新提出的基于种群且无梯度的群智能优化算法。针对该算法存在初始种群随机分布、收敛速度慢和收敛精度低的问题,本课题提出了三种方法对其进行改进,并将改进后的算法应用到工程优化问题中。本文研究工作将从三个方面进行展开:（1）HHO算法在最优化问题中易受初始种群随机分布和后期全局搜索能力不足的影响,导致求解精度低、收敛速度慢,基于此,提出了一种基于佳点集和萤火虫算法改进的HHO算法（IHHO）。该算法首先采用佳点集法初始化种群位置,使种群均匀且随机地分布在搜索空间中;其次引入了一种非线性指数收敛公式,用来平衡两种搜索模式;最后在迭代后期引入萤火虫算法,避免陷入局部最优位置以及扩大搜索范围。设置不同的维度,将IHHO算法和其他优化算法在15个优化函数上进行测试比较并进行Wilcoxon统计检验。实验结果表明IHHO算法在不同维度上的寻优精度、鲁棒性和收敛速度方面均优于其他算法,但算法的开发能力还有待进一步提高。（2）针对HHO算法的全局搜索能力不足以及算法在迭代后期容易陷入局部最优位置的问题,提出一种基于新的全局搜索模式和高斯扰动机制改进的HHO算法（GHHO）。该算法首先引入随机差分进化策略和合作觅食策略更新全局搜索公式,增加算法的搜索能力;其次在迭代后期对最优个体添加高斯扰动机制,使最优个体拥有跳出局部最优的能力。将GHHO算法和其他优化算法在15个优化函数上进行测试比较并进行Wilcoxon统计检验。实验结果表明GHHO算法的开发能力得到了改善,但其探索能力有待提高。（3）针对IHHO算法的开发能力以及GHHO算法的探索能力还有待进一步提高的问题,提出一种基于IHHO算法和GHHO算法混合改进的HHO算法（IGHHO）。该算法融合了前两种算法的优势,运用佳点集初始化种群,采用全新的全局搜索模式和非线性指数收敛方式,并增加了高斯扰动机制,弥补了前两种算法的不足。将IGHHO算法和其他优化算法在15个优化函数上进行测试比较并进行Wilcoxon统计检验。实验结果表明IGHHO算法在寻优精度、鲁棒性和收敛速度方面均优于其他对比算法。将IGHHO算法应用在焊接梁设计问题（WBD）、三杆衍架设计问题（TBTD）和旅行商问题（TSP）上,证明了IGHHO算法的实用性。图42幅,表26个,参考文献95篇。