海鸥优化算法（Seagull Optimization Algorithm,SOA）是一种模拟海鸥迁徙和攻击行为的新型群智能优化算法。该算法具有参数少、易于操作、搜索能力强、数学模型简单等优点。但SOA的研究仍然处于初步阶段,算法自身还存在容易陷入局部极值、求解精度较低以及参数选取敏感的缺点。为此,本文对海鸥优化算法存在的缺点进行了分析和改进,提出了三种不同策略的海鸥优化算法,同时将改进的算法应用于求解实际问题,目的是扩展该算法的应用领域,进一步完善SOA的理论基础。全文的主要研究工作如下:（1）考虑到海鸥优化算法存在易陷入局部极值的问题,提出了一种具有记忆功能的海鸥优化算法（MSOA）。在分析海鸥优化算法与记忆功能各自的特性基础上,将记忆功能有效地嵌入海鸥优化算法中,以提高算法的寻优能力。首先,使用标准测试函数的测试,验证了MSOA具有较好的寻优性能;其次,进一步利用所提出的MSOA对方程组进行求解。实验结果表明,该算法在解的数量和质量都具有优势。（2）为了解决SOA搜索能力的问题,引入了自适应权重策略来平衡SOA的全局搜索和局部搜索能力,通过惯性权重的余弦策略来增强算法的局部搜索能力。使用标准测试函数和二阶温控延迟系统进行测试,通过算法之间的对比,结果表明改进的SOA算法具有更优的搜索性能。（3）化工动态优化问题的求解具有重要的理论与现实意义,但是求其最优解具有一定的难度,因此,提出了一种混合海鸥优化算法（HSOA）用于求此问题。首先在海鸥群体产生攻击行为的过程中引入认知部分,避免算法陷入局部最优;其次,引入自然选择的机理,利用适应度值对群体进行排序,用最好的一半个体代替最差的一半个体,同时保留群体的历史最优值,从而找出最优解;最后将改进的算法应用到3个经典的化工问题中,通过实验仿真,HSOA算法在一定的程度上优于文献解,进一步证明了HSOA算法具有较好的寻优能力。