多元宇宙优化算法是受自然界中多元宇宙现象的启发而提出的一种元启发式算法,该算法结构简单、参数少易于理解且具有较强的搜索能力。近年来,该算法受到了国内外学者的极大关注。本论文针对多元宇宙优化算法所存在的一些不足,从指数步长增长和位置更新策略等方面进行改进,目的在于改进多元宇宙算法的整体性能,完善算法的理论基础,并将改进后的算法应用于函数优化,旅行商问题和聚类分析等,从而拓宽其应用领域。本文的工作主要包括以下3个方面:(1)采用指数步长增长的方式以增强算法的深度搜索性能,通过引入膨胀系数参数可以有效地缩小解的空间,使算法具有更快的搜索速度,同时也促使种群向最优个体附近迅速靠拢,使得算法在提高精度的同时加快了收敛速度。(2)针对传统方法在求解聚类分析问题时精度低,聚类效率不高,易陷入局部最优等问题,本文采用指数步长增长的方式加强算法局部搜索能力,提高了算法的执行效率,优化了多元宇宙算法对数据集的聚类分析能力。实验仿真结果表明,改进过的多元宇宙算法在求解聚类分析问题中是可行和高效的。(3)针对传统算法在求解城市数量较大的旅行商问题时运行速度较慢,在多元宇宙优化算法的基础上引入指数步长增长的方式,在求解旅行商问题可以加快搜索速度,并对求解过程中出现的异常解后及时进行修正,可更高效地对旅行商问题进行求解。