最优化问题以及问题的求解已成为各领域进行科研与生产绕不开的课题。智能优化算法因对问题具体信息与条件的依赖度较小,取代了传统优化方法成为求解最优化问题的主流工具。从上世纪下半叶至今,各式各类的智能优化算法被相继提出,其设计灵感大多来源于物理现象、生物进化与动植物行为,如,混沌优化算法、模拟退火算法、遗传算法、鸟群算法。诸多算法中以种群作为寻优空间的算法占据主体,其中,文化算法是为数不多的拥有双进化空间的优化算法,该算法模拟文化对于人类进化的加速作用,给出了一种包容性极强的并行进化框架,与不同的算法结合便能衍生出不同的文化改进算法。本文提出两种改进的文化算法,分别应用于求解离散变量与连续变量情形下的最优化问题。文化混合优化策略,将遗传算法与模拟退火算子构成的混合算法纳入文化算法框架作为种群空间中个体的进化机制,利用该混合优化策略求解旅行商测试问题,将算法的寻优结果与粒子群算法、蚁群算法、遗传退火算法的求解结果进行比较,实验结果表明,文化混合优化策略寻优结果的偏差率可降低0.6%到13.01%,再结合各算法的寻优进程曲线图,验证了文化混合优化策略具有更强的全局搜索能力与更快的收敛速度。文化鸟群算法,将模拟鸟群行为的算法纳入文化算法框架,鸟群中个别个体的“觅食技巧”通过文化算法的信度空间形成可供整个种群学习的“生存经验”。结合一维、二维河流水质模型,将算法的寻优结果与实测数据进行拟合,验证了文化鸟群算法求解连续变量优化问题的可行性,并通过对种群规模、最大迭代次数、较优个体接受比率、变量取值范围等参数施加扰动,实验结果表明文化鸟群算法均能以较快的速度收敛至全局最优。文化鸟群算法发扬了鸟群算法收敛精度高,搜索能力强等优点,改善了鸟群算法稳定性差,易出现早熟收敛,易陷入局部最优的缺点,是一种性能较好的新的改进算法。