基于群集智能的优化算法是一种仿生自然界动物昆虫觅食、筑巢行为的模拟进化算法。目前主要的群集智能优化算法有：遗传算法、蚁群算法、粒子群算法以及鱼群算法。它们均是一种随机搜索的迭代算法，对优化对象的性态无要求。但由于各算法的搜索机制、特点和适用范围存在着差异，实际应用时为选取适合问题的具有全面优良性能的算法，往往依赖于足够的经验和大量的实验结论；而且，由于目前该类算法研究成果分散，缺乏系统化的研究，繁多的类似算法不断涌现。这种现象不利于开发新型混合机制的优化算法，不利于拓宽算法的应用领域，对优化领域的发展也无任何积极意义。 鉴于此，本文区别于以往的任何仅针对几个具体优化对象讨论算法的性能特征的研究，将优化对象界定为函数优化问题，提出了波峰波谷算法对函数进行分类，将函数划分为严格单调、单峰函数，宏观单调、单峰函数以及多峰函数三类。并根据函数曲面的变化特征将单调和单峰函数细分为曲面变化平缓和非平缓两类。 通过分析讨论各算法的操作算子和算法本身的性能特征，从维持算法搜索／利用(ERR)平衡的角度出发，比较分析算法中影响ERR平衡的各因素，研究出了各算法在解决函数优化问题时的优化效率与适用范围。最后，在此基础上为群集智能优化算法建立了一个较为完善的理论框架。并通过实验证实了研究的结论。