DOA估计中的MUSIC算法涉及到多维搜索过程,传统方法的庞大计算量限制了它的应用。智能优化算法本质上是一种概率搜索算法,它不需要问题的梯度信息,同时具有潜在并行性和全局搜索能力,为解决此类问题提供了新的思路和方法。本文对智能算法进行了性能改进并应用到DOA谱峰搜索中。提出了一种启发式变异方法,它通过利用变异过程中适应度值的一阶差分变化这一启发式信息,同时通过变异过程中中心值的变化,增强了跳出局部最优的能力。在此基础上,提出了启发式变异小生境遗传算法(H_NGA)。它采用联赛选择、自交回避的均匀算术交叉和高斯变异策略,同时对精英保留个体进行全概率的启发式变异。在传统微粒群算法(PSO)的基础上,本文将基于罚函数的小生境生成技术引入到微粒群算法中,以每一代经过罚函数淘汰运算后的精英个体作为吸引子,并设计了一种微粒个体随机选择吸引子的进化方式,构造了一种基于轮形拓扑结构的L-best PSO并作为算法勘探能力的主要手段,同时通过对多吸引子进行全概率的启发式变异,增强了种群的开发能力,称之为H_NPSO算法。本文利用典型多峰值函数检验了算法的性能,并将这两种算法应用到MUSIC算法构造的多辐射源DOA谱峰搜索计算机仿真中。实验表明,H_NGA和H_NPSO均能能够有效的保持种群的多样性,同时增强小生境内的局部搜索能力,在处理多模态问题时,算法能够快速地收敛到若干个全局最优解。在DOA搜索过程中,两种改进算法能够有效的处理多模态函数优化问题,同时对多个目标进行定位,速度快,精度高,与传统遍历方法相比具有显著的优越性。