在科学研究及工程领域,许多实际应用问题常常被规范化为特定数学模型下的优化问题。而优化的问题往往具有求解空间大、维数多等特征,使得对其进行优化的方法面临着计算复杂程度高、求解持续时间短等问题。智能算法是一种基于概率的随机搜索进化算法。首先模拟种群的原始分布,然后利用随机搜索以及有选择性地遗留后代数据来仿真和模拟种群的演变过程,通过迭代和更新找寻最优理论和求解的目标。引力搜索算法作为一种较为新颖的智能算法,具有全局搜索能力强、参数较少等优点,在电力工程、工程调度、模式识别等领域受到了广泛关注。本文对引力搜索算法进行了不同的改进,并将改进的算法分别应用于特征选择和工作流调度两个问题。主要工作如下:（1）针对原始引力搜索算法局部搜索能力较弱,收敛精度较低等问题,提出了一种改进的引力搜索算法（Improve Binary Gravitational Search Algorithm,IBGSA）。首先,使用尺度函数改进粒子的速度更新公式,提升算法局部搜索能力。然后,对于算法中的kbest粒子提出了一个自适应变化公式以提高收敛精度。最后,基于适应度共享的小生境算法改进原有惯性质量求解公式,提升种群的随机性,增强算法全局搜索能力。后续,将改进的引力搜索算法应用于特征选择选择问题上。通过Filter方法互信息（Mutual Information）与改进的引力搜索算法（IBGSA）结合,提出了一种混合的特征选择方法（MI-IBGSA）。实验结果表示,所提出的IBGSA算法优于原始引力搜索算法,混合特征选择方法（MI-IBGSA）在高维生物医学数据的特征选择问题上具有优越的性能。（2）为了对云环境下的调度时间与调度代价进行同步优化,提出了一种基于遗传算法混合引力搜索算法（GA-GSA）的混合智能工作流调度算法。通过遗传算法首先对随机初始化种群进行选择、交叉、变异的操作,提升种群质量的同时由较优的种群引导引力搜索算法进行下一步的搜索迭代,提升了引力搜索算法的搜索能力。以调度时间与调度代价作为优化目标,在Workflowsim工具包上进行了不同的工作流模型仿真实验。结果表明,所提出的算法与原始引力搜索算法以及其它经典算法相比,能够有效减少调度时间与调度代价。