随着技术的进步及社会的发展,各种优化问题的求解难度也在不断增加,传统算法已难以满足人们日益增长的计算需求。近年来,研究者们发现启发式算法在求解优化问题时具有独特的优势,是解决优化问题十分有效的方法和技术之一,可以很好地在多个约束条件下找到此类问题的优质解。灰狼优化算法采用自适应收敛因子和最优领导者多样性策略,具有结构明晰、配置参数少等特点,有着良好的寻优性能。然而,该算法仍然存在难以跳出局部极值、求解精度低等问题。本文针对灰狼算法的不足之处,对算法的搜索机制进行深入的研究与分析,提出新的改进算法并将其用于求解CEC复杂函数测试集、工程设计约束优化及机器人路径规划问题。本文主要工作总结如下:（1）提出了一种融合花朵授粉机制并具有教学机制及多项式变异的改进灰狼算法（FMGWO）。首先将花朵授粉算法机制与灰狼算法相融合,将莱维分布引入灰狼种群的搜索猎物阶段,并在灰狼个体进行局部搜索时引入双随机机制,提高算法的寻优能力;然后对 α 狼增加教学机制,加快灰狼个体向最优值区域靠近;最后对寻优效果差的个体进行位置变异,使种群的多样性增加。通过理论分析证明了FMGWO算法的时间复杂度与GWO算法一样,算法的运行效率没有降低。把FMGWO算法与4种代表性算法在CEC2017基准函数上进行测试,实验结果表明FMGWO算法的求解能力均优于其它4种对比算法。（2）提出了一种基于纵横交叉策略及自适应调节收敛因子和t分布扰动变异的改进灰狼算法（CGWO）。首先对种群中两个不同个体在所有维度下进行横向交叉运算,以减少搜索盲点,对最优个体的两个不同维度进行纵向交叉运算,增强算法跳出局部极值的能力;然后根据迭代次数非线性调整收敛因子,更好地平衡算法的全局与局部搜索;最后对种群中差于平均适应度值的个体引入以迭代次数为自由度的t分布扰动变异策略,提高算法的求解精度。把改进算法和5种代表性对比算法,在不同维度下对CEC2017测试集、更具求解挑战性的CEC2021测试集以及4个工程优化设计问题上进行实验测试,结果表明CGWO算法明显优于其他对比算法,有较好的求解能力和应用潜力。（3）将FMGWO算法应用于求解二维环境下的机器人路径规划问题,利用栅格法进行环境建模,构建不同复杂程度的环境模型,定义适合求解问题的个体编码方式,构建适应度函数、安全避障和线路平滑方法。通过仿真实验表明FMGWO算法在求解二维环境下机器人路径规划时,具有很大优势。在基于二维机器人路径规划研究的基础上,将二维栅格法建模扩充到三维空间,然后将CGWO算法应用于求解三维环境下的机器人路径规划问题。通过仿真实验表明CGWO算法在求解三维环境下机器人路径规划问题时,明显优于其他对比算法。