随着科学和技术的进步,亟需解决的优化问题越来越多,且其复杂性大幅增加,用传统基于数学的优化方法,如梯度下降、牛顿法等,几乎不可能解决这些复杂问题。因此,越来越多的智能优化算法（Intelligent Optimization Algorithms,IOAs）被提出。为了更好地解决复杂优化问题,提出了分组结构的IOA。本文主要讨论分组结构的IOAs,如同步热传递搜索算法（Simultaneous Heat Transfer Search,SHTS）和郊狼优化算法（Coyote Optimization Algorithm,COA）等。优化问题从简单到复杂,从线性到非线性,从凸到非凸,从约束到无约束,从单峰到多峰等等,对求解算法的优化性能要求越来越高,IOA成为了众多专家学者的研究热点之一。分组结构的IOA具有独特的寻优方式和较强的探索能力,而不同组之间采用并行计算的方式,加快计算速度快等优点。但不同分组结构的IOA在处理复杂优化问题时存在收敛速度慢、时间复杂度高和可操作性差等问题。针对分组结构IOA的代表算法SHTS和COA的缺点,提出了SHTS和COA的改进算法,以更好地解决实际复杂优化问题,最后COA的改进算法与图像分割相结合。本文的具体研究内容及创新如下:（1）针对SHTS在解决复杂优化问题时信息利用不充分,寻优能力不足和收敛速度慢等缺点,提出了一种信息引导和信息共享增强的SHTS（Information Guiding and Sharing Enhanced SHTS,IGS-SHTS）。首先,把改进的灰狼优化算法（Grey Wolf Optimizer,GWO）被嵌入到SHTS中,通过两种不同的搜索方法加强信息共享。然后设计了一种不同个体之间的信息共享方式。其次利用正弦交叉来实现信息引导,通过历史最优子群引导当前群体。最后,嵌入了一种信息引导方式,即全局最优个体引导最差个体,以强化最差个体。在CEC2017测试集实验结果表明,与SHTS相比,IGS-SHTS不仅拥有更强的搜索能力,而且收敛速度快等优点。与其他对比算法相比,IGS-SHTS获得更好的优化效果。（2）为了进一步提高COA的搜索性能,提出了一种多策略的郊狼优化算法（Multi-Strategy COA,MSCOA）。针对COA组内最优郊狼、最差郊狼和一般郊狼的成长方式,分别提出了全局最优郊狼引导策略、最差郊狼强化策略和动态信息郊狼的成长策略。最后,针对COA子组数和子组内郊狼个数需要手动参数设置,设计了一种动态分组策略,减少参数手动设置以提高算法的可操作性。实验结果表明,MSCOA在运行时间和优化性能上具有明显的优势。（3）借鉴了IGS-SHTS和MSCOA的各种优势,在此基础上又提出了新的改进。根据IGS-SHTS执行速度快,信息利用率高的特点,以及MSCOA因材施教针对不同个体采用各自最合适的成长方式的优点,将以上两种算法的优势混合,提出了一种多差分郊狼优化算法（Multi-differential mutation COA,MDMCOA）。首先,设计了一种基于Levy Flight的全局最优郊狼引导差分成长策略,提高组内最优郊狼的引导能力。其次,采用了一种最优郊狼引导的差分成长策略,不仅提高其社会适应能力,而且提升整个组的质量。再次,对于其他郊狼,设计了一种差分成长策略,提升种群的信息共享程度。最后,减少算法的参数设置,构建了一种基于榜样的分组策略。实验结果表明,MDMCOA不仅提高算法的寻优能力,而且提高算法的可操作性。（4）为了验证MDMCOA的优化能力,将其应用到聚类图像分割上,以克服聚类图像分割方法对聚类中心敏感和丢失局部空间信息的缺点。将MDMCOA应用于形态学重建与隶属度滤波的模糊C均值聚类（Morphological Reconstruction and Membership Filtering,FRFCM）图像分割上,即MDMCOA与FRFCM相结合。实验结果表明,MDMCOA-FRFCM获得更好的分割效果。