优化在工程技术领域有着广泛的应用。优化技术包含传统优化方法和现代群智能优化算法。传统优化方法缺乏可扩展性，适用范围较小。群智能算法适用于求解高维复杂优化问题，并已经成为优化领域的一个重要的研究方向。目前已经产生了很多新型的智能算法，例如粒子群优化算法、蝙蝠优化算法等。本文为了提高算法解决实际应用问题的能力，分析粒子群优化算法及蝙蝠优化算法理论设计，借助一些经典的优化策略来对粒子群优化算法PSO和蝙蝠算法BA的设计进行改进研究，拓展算法的结构设计，提高算法的优化性能，使得改进后的算法在工程优化问题上具有更高的处理性能。本文在已有算法的基础上作了进一步的改进，其创新之处主要有以下几个方面：一、针对基本BA算法存在之不足，提出一种将自适应惯性权重引入蝙蝠算法中的优化算法(An adaptive Bat Algorithm，ABA)。该算法中的蝙蝠在搜索猎物过程中可动态自适应地调整自身的飞行速度和飞行方向，并采用随机搜索与收缩搜索相结合的方法。测试结果表明，该算法的全局搜索能力有了显著提高，能有效地避免早熟收敛问题。二、针对基本蝙蝠算法存在全局搜索能力不强，易陷入局部极值等不足，提出一种采用动态飞行模式的蝙蝠优化算法(A Bat algorithm by usingdynamic flight-modes, DFMBA)。该算法采用三种不同的飞行模式，蝙蝠可根据自身状态动态选择其中一个飞行模式来调整自身位置。实验结果表明，本文提出的新算法在很大程度上提高了算法的全局搜索能力和算法的收敛速度，明显增强了算法的全局搜索能力。三、针对PSO算法存在的全局收敛速度慢，收敛精度不高，鲁棒性不强等不足，提出了一种自适应混合粒子群优化算法。该改进算法一则结合捕鱼算法中的搜索策略，增强算法的局部搜索能力；二则引入优胜劣汰机制，淘汰粒子群体中部分适应度值较差粒子群体，并对淘汰的粒子群体重新初始化，这将增强算法的全局收敛能力；三则优化粒子群算法结构，将单一串行的PSO结构改进为多线性并行结构，将搜索策略和优胜劣汰机制有机结合到PSO算法中，这使得改进后的算法具有多阶段自适应搜索能力。实验结果表明，该改进算法不仅具有更快的收敛速度，而且能更有效地进行全局搜索，将该算法应用于求解约束优化问题也得到更好的效果。