樽海鞘群智能算法（Salp Swarm Algorithm,SSA）是模拟海底生物樽海鞘在觅食过程中呈链状向食物方向靠近行为的一种群智能算法。因其具有参数少、全局搜索能力强、自组织、便于与其他算法相结合等优点,樽海鞘群算法已在工业优化、参数辨识等诸多领域中得到了广泛应用。但樽海鞘群算法仍然存在收敛速度慢、精度低等缺陷需要进行改进。为提高樽海鞘群智能算法的整体寻优性能,本文在多位学者的研究基础上,对樽海鞘群算法进行进一步研究。本文的主要工作如下:首先,以精确的数学模型为基础的传统优化算法无法对复杂优化问题进行求解,将研究方向转向群智能优化算法。考虑到樽海鞘群算法具有参数少、应用广泛等优点,给出樽海鞘群智能优化算法的研究背景与意义,阐述了樽海鞘群优化算法的国内外研究现状,介绍了樽海鞘群算法的理论知识。其次,针对基本樽海鞘群算法前期收敛较慢的缺陷,提出一种混合布谷鸟搜索樽海鞘群智能优化算法。为了提高算法的收敛速度,在种群初始化阶段,按照适应度值分为中性个体和有害个体。该算法融合布谷鸟搜索（Cuckoo Search,CS）,因为布谷鸟搜索能够进行良好的全局开发,引入布谷鸟搜索能够使算法以更快的速度收敛至全局最优,利用樽海鞘群算法与布谷鸟搜索对中性个体和有害个体分别进行搜索,按照所设定的权重公式整合最优解。利用改进算法求解基准测试函数,并与其他算法对比,测试结果表明本文所提算法在收敛速度、精度及稳定性方面较其他算法更加良好。将混合樽海鞘群智能优化算法应用于重油催化裂化模型参数估计,验证了算法的实用性能。最后,针对基本樽海鞘群算法容易陷入局部最优的缺陷,提出一种自适应正余弦搜索樽海鞘群智能算法,本文中称该算法为w SCASSA。该算法引入正余弦搜索（Sine and Cosine Algorithm,SCA）,由于正余弦搜素能够按照正弦或余弦的策略进行搜索,将正余弦搜索与樽海鞘群算法中的领导者位置更新公式进行结合,使算法以较快的速度向最优值靠近,加快算法整体寻优进程;在樽海鞘群算法的跟随者位置更新因子中,添加自适应惯性权重系数,增强种群中相互交流机制,即每一次迭代中表现良好的个体对邻近个体的位置影响更大。此外,在跟随者位置更新公式中添加随机参数,增加算法跳出局部最优的概率。通过基准测试函数进行试验,并与基本樽海鞘群算法及其他算法进行对比,测试结果表明所提算法求解精度、跳出局部最优的能力均优于对比算法。将所提算法应用于生物发酵过程中,进一步验证了算法在实际应用问题中的有效性。