在实际生活中,有很多问题不能用传统的优化算法解决。元启发式算法的出现在一定程度上克服了传统优化算法的不足之处。近些年来,由于元启发式算法的结构简单、易于实现、不依赖梯度信息、可以很大程度上避开局部最优等优点,这些优势以及在工程设计问题上的广泛应用使得元启发式算法成为了很多学者研究的热点。为了进一步提高算法的局部开采能力或全局勘探能力,不少学者提出了各种适用于元启发式算法的策略。为了进一步提高元启发式算法的局部开采能力以及更好的平衡算法全局性能,本文对算法在求解过程中,种群个体的有利信息进行了深入研究,并设计了可以改进启发式算法性能的算子,本文主要以回溯搜索算法(BSA)和灰色预测演化算法(GPEAe)为研究对象,设计了两种改进的算法(MBSAg C和TOGPEAe),本文的主要研究内容如下:(1)提出了“集体智慧”的概念受到人类和动物的趋优行为和趋众行为的启发,本文提出了一个新的理念:“集体智慧”。本文深度挖掘了最优个体的引导信息(趋优性)和种群个体的平均值(趋众性)来提高算法的整体性能。其中根据集体智慧的趋优性设计了一个新的趋优性拓扑反向学习和一个趋优性引导的线性组合以增强算法的局部开采能力,并设计了一个由趋众性引导的向平均个体学习的策略来平衡算法的整体性能。(2)提出了集体智慧引导并深度挖掘的回溯搜索优化算法(MBSAg C)本文在系统的介绍了BSA的原理和算法流程,并分析了算法的优缺点后,综述了BSA的改进和应用研究。针对BSA后期收敛速度慢的特点,在算法初始化过程后引入了设计的趋优性拓扑反向学习算子,并设计了由趋优性引导的线性组合和趋众性引导的学习策略组成的改进的变异算子,以此提高算法的整体性能。(3)提出了集体智慧引导的拓扑灰色预测演化算法(TOGPEAe)为了进一步提高算法GPEAe的整体性能,本文在原算法的选择操作过程之前引入了设计的趋优性引导的拓扑反向学习算子,以提高算法的收敛速度。为验证所提出算法MBSAg C和TOGPEAe的有效性,本文在两个基准函数测试集上(CEC2005和CEC2014)以及工程设计问题组成的测试套集上对算法进行了测试,实验结果表明:与原算法相比,本文所提出的新算法无论是在求解精度还是在收敛速度上都有大的提升;与其他先进算法相比,新算法的整体性能也表现的很有竞争力。同时也为由“集体智慧”引导所设计的算子与DE、PSO等著名元启发式算法之间的结合提供了思路。