智能优化算法是近半个世纪兴起的一种高效、应用性强的优化方法。由于此类算法具有鲁棒性强、寻优精度高、收敛速度快等优点被广泛应用到众多领域。本文主要研究的内容是智能优化算法中的新成员入侵杂草优化算法,由于其生物基础易于理解,稳定性强,全局搜索能力突出而受到众多学者的广泛关注。但是由于该算法提出时间比较短,发展还未完全成熟,还存在一些不足,主要表现在算法收敛速度慢、容易陷入局部最优而影响算法最终的寻优精度等方面。尤其在其解决非凸或约束条件较多的问题时,其收敛速度慢的情况尤为突出。针对这些问题,本文通过搜集国内外相关资料,在深入研究标准入侵杂草优化算法的理论基础和实际应用的基础上,对其四大操作:种群初始化、种群繁殖、空间扩散和竞争择优进行了改进,并且将改进后的算法应用在二维矩形件装载此类复杂性高的NP-Hard问题上。本文主要的研究工作如下:(1)对标准入侵杂草优化算法的初始化、繁殖进化、空间扩散和竞争择优四大操作提出以下三点改进方法:一是在初始化阶段,引入混沌思想,选用改进的Chebyshev-Logistic混合混沌系统初始化种群以提高初始种群多样性;二是提出一种按等级分类的组群策略对初始种群进行等级分类,模拟学生评价中的打分机制将种群分为“优”、“良”、“中”、“差”四个子群;三是在种群繁殖进化阶段,引入差分进化模型,并对原始模型中的交叉、变异概率进行指数式的非线性动态调整以提高算法跳出局部最优的能力。在8个标准测试函数上进行的仿真实验表明,与标准IWO算法及其他常用算法相比,本文提出的改进算法具有更高的寻优精度和更快的收敛速度,同时能有效避免陷入局部最优。(2)将改进后的算法应用到实际问题中:首次使用入侵杂草优化算法解决二维矩形件装载问题。二维矩形件装载实验中,使用本文改进的杂草优化算法,效果良好,有后续研究价值。