群智能优化算法(Swarm Intelligence,SI)是一种新兴的元启发式优化技术,具有原理简单,易于实现,灵活性强等优势。近年来,很多新颖的SI算法相继出现,例如樽海鞘优化算法(Salp Swarm Algorithm,SSA),哈里斯鹰优化算法(Harris Hawks Optimization,HHO)等。随着现实世界优化问题复杂性的增加,新提出的SI算法仍存在寻优精度低,收敛速度慢等缺陷。本文针对SSA和HHO算法在解决复杂优化问题时存在的缺陷,提出新的改进方案并将其成功用于解决实际工程优化案例。具体研究内容如下:(1)针对SSA算法在高维优化问题容易陷入局部最优的缺点,提出一种基于引力搜索和多领导者策略的樽海鞘优化算法。在引力搜索策略中,采用多个樽海鞘个体引导搜索代理的位置更新,摆脱单一个体引导的局限性,提高了算法的探索能力。在多领导者策略中,通过将原始种群划分为多个独立的子群,增加种群多样性,避免陷入局部最优。在20个基准测试函数和拉伸/压缩弹簧设计问题上的仿真实验表明,提出的改进算法显著优于原始的SSA算法和其他比较算法。(2)针对HHO算法探索能力不足的缺陷,提出一种基于自适应合作和分散觅食策略的哈里斯鹰优化算法。在自适应合作觅食策略中,将部分鹰群嵌入到一维更新操作中,自适应选择一维和全维合作觅食策略以增加种群多样性。此外,通过分散觅食策略将鹰群分散到不同的搜索空间寻找猎物,充分利用搜索空间。在20个基准测试函数和压力容器设计问题上的实验,证明了改进算法的显著优势。(3)为了更好地平衡SSA算法探索与开发能力,本文提出一种基于哈里斯鹰觅食策略的樽海鞘优化算法。将HHO中的四种觅食机制引入到SSA的跟随者位置更新过程,以加强对有潜力的区域的开发,并辅之多点领导者交叉策略以实现开发和探索之间的平衡。通过20个基准测试函数和拉伸/压缩弹簧设计问题的仿真实验表明,改进后的算法优化精度显著优于原始SSA及其他比较算法。