本文在给出群体智能优化的总体模式和框架模型的基础上,结合粒子群算法和蚁群算法的基本原理和算法流程,描述了两种优化算法的形式化模型。其中包括模式化描述需要的定义、模式化算法结构、模式化算法伪方程和模式化算法框图。提出了对基本粒子群算法的改进方案,加入了动态变量区间和重新启动策略,并用改进后的算法对典型函数寻优。基于神经网络对热工系统复杂对象进行系统辨识,利用改进粒子群算法优化其最佳延迟时间,提高了辨识精度和辨识效率。在热工系统的主蒸汽温度控制系统中应用模糊控制和PID相结合的双模控制,利用改进的粒子群算法优化控制器参数,保证系统无静态误差的同时,缩短了调节时间、降低了超调量,提高了系统的鲁棒性和抗干扰性。给出了两种连续蚁群算法的模型,并分别应用到热工控制系统PID控制器参数优化和电力系统的经济负荷分配中。两种模型对应两种连续蚁群优化空间的分配方案,同时针对基本蚁群算法中经常遇到的收敛速度慢、收敛率低等缺陷,模型中加入了局部搜索以及变尺度混沌搜索等机制。将改进粒子群算法和连续蚁群算法与模糊C均值聚类(FCM)算法融合,基于群智能优化算法全局寻优、快速收敛的特点,用群智能优化代替FCM算法的基于梯度下降的迭代过程,提高了算法的全局搜索能力,避免其陷入局部极值。仿真结果表明这两种融合算法的聚类效果优于基本FCM算法。论文的主要创新点有:1.提出了一种改进的粒子群优化算法,由优秀粒子构成的子群对寻优空间进行压缩,同时引入了重新启动策略。2.提出了两种连续蚁群算法的模型,分别对应两种优化空间的分配方案,模型中加入了局部搜索和变尺度混沌搜索操作。3.提出了粒子群智能算法和蚁群智能算法与模糊C均值聚类算法的融合方案,用群智能优化代替其基于梯度下降的迭代过程。