社会情感优化算法是一种新近提出的群智能优化算法，它模拟了人类群体的决策过程。在该算法中，每个个体表示一个虚拟的人，利用情绪来选择其行为模式。其中，情绪指数是算法的一个重要参数，在标准社会情感优化算法中，该参数为线性更新模式。本文主要针对情绪指数的调节方式进行了研究，其主要工作为：（1）在现实生活中，人们的情绪总受到许多不确定因素的影响，因此，具有一定的随机性，但这一点在标准社会情感优化算法中却没有得到体现。因此，论文将随机性引入了情绪指数。由于自然界中许多动物的群体现象服从Levy分布，而人作为一种高级动物，其群体行为也应该遵循Levy分布，为此，提出了情绪指数的Levy选择策略，在该策略中，每个个体的情绪指数都遵循一个Levy分布，并随着不同的行为来调整其系数，实验结果表明该策略能有效改善算法性能；（2）按照大数定律，大量的不规则的随机事件作用的总和等价于正态分布，因此，受Levy分布的影响，我们考虑将正态分布引入情绪指数的选择策略，在该策略中，每个个体的情绪指数都遵循一个期望为0的正态分布，并随着不同的行为来调整其方差。但正态分布具有3原则，即99.97%的概率局限于区间(μ-3σ,μ+3σ)内，这表明，在正态分布的情绪选择策略中，绝大多数选择了情绪平和的形式，而情绪低落及高昂则仅有很少的概率（<0.03%）。柯西分布的形状与正态分布很类似，但柯西分布在(μ-3σ,μ+3σ)的概率较低，因此，如果选择柯西分布为情绪指数的选择策略，应能提高极端情绪发生的概率。大量实验结果表明，基于正态分布的社会情感优化算法的平均性能要优于柯西分布及Levy分布。（3）为了进一步验证基于正态分布的社会情感优化算法的性能，本文将其应用于混沌系统的控制问题，并与标准微粒群算法及标准社会情感优化算法比较，结果表明基于正态分布的社会情感优化算法的平均性能更优。