研究人员受到自然界中麻雀个体寻找食物这一群体性行为的启发,提出了新的元启发式算法——麻雀搜索算法（Sparrow Search Algorithm,SSA）。算法具有理解简单,设定参数少,局部搜索能力强的特点。但在面对复杂的高维函数问题上,与常见的启发式算法相似仍然会存在“早熟”现象、收敛精度不高的缺点。本文针对SSA算法的不足进行分析,加入多种策略与机制,提高算法的寻优范围和收敛能力,降低陷入局部最优的概率。同时对麻雀搜索算法进行多目标应用拓展,提出多目标麻雀搜索算法,求解多目标优化问题,最后将算法应用于电站锅炉燃烧系统的建模与优化中。本文具体研究内容如下:通过分析麻雀搜索算法的数学模型以及其寻优位置更新公式,提出了一种多策略混合麻雀搜索算法。通过引入自适应参数控制策略、社会学习策略和螺旋搜索策略,提高算法的收敛速度和跳出局部最优的能力。在23个测试函数和2个工程优化问题中与有代表性的几种优化算法进行对比实验,并对其结果进行威尔克逊统计检验。仿真实验表明,与其他启发式算法以及麻雀搜索算法相比,所提出的混合麻雀搜索算法在收敛精度和收敛速度上得到了显著提升。针对多目标优化问题,在麻雀搜索算法的基础上结合多目标概念,提出多目标麻雀搜索算法。引入帕累托支配和外部存档机制,提高算法帕累托解集分布的多样性。通过粒子对外部存档的贡献度调整发现者比例,提高算法的收敛速度。为了验证多目标麻雀搜索算法的有效性,选取ZDT系列和DTLZ系列部分函数与现有的多目标算法进行对比实验。仿真实验表明与其余多目标算法相比,MOSSA算法在解决多目标优化问题时取得了较好的效果,可以获得较好的帕累托解集。将两种算法应用于锅炉燃烧系统中的NOx浓度和锅炉效率回归模型的建立与多目标优化中。在此之前,采用粒子群算法、麻雀搜索算法、灰狼算法和多策略混合麻雀搜索算法分别优化最小二乘支持向量机的核参数和正则化参数,建立NOx排放浓度和锅炉效率的回归预测模型,通过比较回归模型的精确度和拟合度,选择混合麻雀搜索算法优化的最小二乘回归模型为模型基础。通过设定多目标麻雀搜索算法的终止条件,优化建立好的回归模型,得到最终的多目标优化结果,结果证明方法的有效性。