群智能优化算法作为兴起的搜寻方法,其为有效地解决大规模复杂优化问题开辟了新的途径,从而受到了诸多学者的关注。蜘蛛猴优化算法通过模拟蜘蛛猴的觅食行为而兴起,基于裂变融合社会结构这一特点使得该算法越来越受欢迎,尤其在解决高维优化问题上也具有一定的优势。本论文在研究基本蜘蛛猴算法的基础上,提出了两种改进蜘蛛猴算法,并将其应用到求解与生活息息相关的物流中心选址问题。本论文的主要研究工作如下:1.提出了基于Cauchy变异算子的自适应蜘蛛猴算法,并将其用来求解一般的物流中心选址问题。利用基于迭代次数的相位因子来取代随机数,使得相位因子随迭代次数的增加而减小,从而相位因子在迭代初期较大,有利于全局探索,在迭代后期较小,可以充分进行局部开发,改善了算法的随机性,增强了算法的寻优能力;在全局领导阶段加入了非线性动态变换的学习因子,使蜘蛛猴的位置更新具有了自适应性,进一步平衡了算法的全局探索与局部搜索能力;在局部领导决策阶段中采用了 Cauchy变异策略,对蜘蛛猴施加扰动,增加了种群的多样性,避免算法在后期陷入局部最优。在仿真中,选取基准测试函数进行测试,并与其他智能算法比较,仿真实验结果表明提出的算法求解精度明显提高,算法性能更优,并将改进算法用来求解一般物流中心选址问题,实验结果说明所给算法寻优能力更佳,验证了所给算法的有效性。2.给出了基于Laplace分布的伪反向蜘蛛猴算法,并应用到求解应急物流选址问题中。在算法的初始化过程中,采用了 Laplace分布产生随机数的方法初始化种群,使得蜘蛛猴位置分布更均匀,优化了初始化的质量;利用指数递减与随机对数递减分段的步长,使步长具有自适应性,迭代前期步长保持较大,加快了收敛速度,迭代后期步长较小,提高了求解精度,有效平衡了搜索速度与寻优精度之间的关系;改变了全局领导阶段的搜索机制,加快了蜘蛛猴向全局领导者靠拢觅食的速度;在局部领导决策阶段中引入了伪反向学习策略,从当前种群和伪反向种群进行精英选择,从而有效地找到问题的最优解。最后,通过经典测试函数的数值仿真及对应急物流选址问题的求解,实验结果表明所给的改进算法得到的方案最好,寻优能力更强,更具优越性。