混合蛙跳算法（SFLA）是一种全新的群智能优化算法,具有高效的计算性能和优良的全局搜索能力。从提出至今，受到国内外学者的广泛关注。混合蛙跳算法结合了模因演化算法和粒子群算法两者的优点，具有实现简单、收敛速度快、算法参数少、寻优能力强等优点，但是对于一些复杂问题的求解，混合蛙跳算法仍存在进化后期收敛速度较慢、容易陷入局部极值点、收敛精度差等问题。本文深入研究了混合蛙跳算法的寻优原理。针对原算法存在的初始种群不均匀、局部搜索效率低、移动步长缺乏自适应性、个体更新效果差等问题，提出了一种改进的混合蛙跳算法。即采用拉丁超立方体抽样方法构造初始种群，使个体能更加均匀地分布于可行域中，有利于找到最优解；引入非线性惯性权值修正青蛙的更新策略，可以有效的提高搜索效率，避免陷入局部最优；设计了一种自适应步长移动算子，表征了进化代数对局部搜索的影响，提高了算法的收敛精度；利用Baldwin效应使个体在进化过程中进行自我学习，引导个体向更优的方向搜索，改善了搜索效果。实验结果表明，改进的混合蛙跳算法的性能明显优于原始混合蛙跳算法，能避免算法早熟，有效地提高了算法的寻优精度和收敛速度。本文主要研究的是混合蛙跳算法的改进，在后续的工作中，将继续对该算法进行深入研究，利用改进后的算法解决组合优化、资源网络优化和生产调度等实际工程问题。