随着人类社会和人们认知的不断发展,各种优化问题变得越来越复杂,传统的求解方法在求解复杂优化问题时难以见效。近几年,机制简单、寻优性能良好的元启发式智能优化算法引起了广大学者的关注。2017年澳大利亚学者S.Mirjalili提出了一种新型元启发式智能算法—樽海鞘群算法(Salp Swarm Algorithm,SSA),因其结构简单,收敛速度快,控制参数少的优点,很多学者纷纷开始研究,已被应用于无源时差定位、图像分割、混合动力系统等诸多领域。不过与其他智能算法一样,樽海鞘群算法也存在易陷入局部极值,求解结果不太稳定的缺点。针对此不足,本文对算法机制进行深入分析,提出新的改进思路,提高了算法的寻优性能。并把改进后的算法应用到工程优化设计问题和机器人路径规划中去。本文的研究工作主要有:(1)为更好解决工程优化设计问题,提出一种引入有效缩放和随机交叉策略的自适应动态角色樽海鞘群算法。首先在全局搜索阶段的领导者位置更新公式中引入帕累托分布和混沌映射,使樽海鞘领导者能够更有效地进行全局搜索,更好发挥领导者的作用。同时在全局搜索和局部搜索的选择上,引入领导者—跟随者自适应调整策略,使算法前期更着重于全局广度探索,后期更多在最优值附近深度挖掘,提高算法的收敛精度。然后在局部搜索阶段,引入随机交叉策略,扩大跟随者位置更新的随机性,从而增加种群的多样性。最后给出算法流程的伪代码,通过理论分析证明了时间复杂度,并将本文算法用于求解焊接梁、压力容器和三杆桁架等不同难度的典型工程设计问题。通过对五种测试对比算法的优化设计结果和文献中十余种其它算法的求解结果进行对比分析,实验结果表明了该改进算法在求解工程优化设计问题上的有效性和优越性。(2)为更好地解决机器人路径规划问题,提出一种引入差异演化策略的寄生樽海鞘群算法。一是在算法的领导者位置更新公式中加入上一代樽海鞘位置,增强了全局搜索的充分性,有效避免算法陷入局部极值。二是在领导者位置更新公式中加入惯性权重,合理地调节了樽海鞘领导者在不同迭代时期广度搜索与深度挖掘之间的平衡,提升了算法的求解精度。三是引入具有不同进化机制的寄生与宿主双种群和它们之间的寄生行为以及优胜劣汰思想,增加了种群的多样性,提高了算法跳出局部极值的能力。最后给出算法流程的伪代码,通过理论分析证明了改进算法的时间复杂度与基本算法相同,并通过七个对比算法,在15个不同特征测试函数上进行仿真实验,测试结果表明此改进算法的寻优精度和稳定性均有明显提升。(3)将上述引入差异演化策略的寄生樽海鞘群算法和三次埃尔米特插值方法结合起来,定义了个体编码,以绕开场景中的所有障碍物和路径的长度最短为目标,构造了适应度函数,用于求解机器人路径规划问题。在三种不同复杂程度的场景下,通过七个不同的对比算法,对路径规划问题进行仿真实验与测试,实验结果表明改进算法的路径长度最佳值、最差值、平均值和方差都要优于其他六种对比算法,说明此改进算法对于求解路径规划问题的优越性和稳定性。