优化问题在生产和生活系统中极为常见，因而研究高效率的优化技术具有十分重要的理论和现实意义。作为求解复杂优化问题的群体智能优化算法，因其具有简单，易于并行及智能搜索等优点，而得到了广泛的关注和应用。为了进一步提升算法的收敛性能，组合不同算法的最好特性形成更强大的混合算法不失为一条捷径。为此，本文针对优化问题中的函数优化、混沌系统参数辨识及数据聚类，以搜索能力均衡为导向设计了多种混合群体智能优化算法。综合而言，本文主要完成了以下工作：(1)针对函数优化问题，首先，提出一种混合蜂群差分进化算法，通过在人工蜂群算法中引入多分量扰动和多解搜索方程及在差分进化算法中提供多个交叉概率选择，增强全局探索和局部开发能力，在算法进化后期，引入一种种群灾变机制改善种群多样性；然后，为了有效利用不同特征的差分变异策略，提出一种具有Pbest引导机制的适应性多策略差分进化算法：(a)根据前人研究的经验，为差分变异策略、交叉概率和尺度参数构建专家库，(b)对于含有Pbest的差分变异策略，其向量改为从种群中适应度排序靠前的100p%(p (0,1])个个体中随机选择，(c)均匀随机选择差分变异策略、交叉概率以及尺度参数作为混合算法的3要素。(2)针对混沌系统参数辨识，提出一种交替迭代差分进化算法。受粒子群算法的启发，提出一种新的差分变异策略DE/pbest/1/bin，基向量pbest表示目标个体的历史最好个体，用DE/pbest/1/bin和DE/best/1/bin分别模拟自然界中小的进化时期和大的进化时期交替演化现象，同时使用一种新的贪婪选择机制加快种群进化的速度。(3)针对数据聚类分析，设计了基于多步随机采样的动态洗牌差分进化算法。为提高初始种群分布质量，提出一种基于中位数加权的多步随机采样方法，同时，使用DE/best/1/bin作为双子种群的差分变异策略以实现子种群独立进化，并以蛙跳算法中的洗牌机制(Shuffled Scheme)作为双子种群信息交换和共享的媒介，进而改善子种群的多样性或进化速度。论文中通过大量数值仿真实验及与其它代表性算法的比较，验证了所提算法的有效性。