优化问题普遍存在于工程设计、信息技术、工业生产等科学领域,因而解决优化问题是具有一定的理论意义和实践价值。智能优化算法是源自于生物进化规律的搜索方法,它具有简单、高效和鲁棒性等特点,吸引着大量研究者们的关注并应用于解决各类优化问题。然而,单纯的智能优化算法并不能满足实际问题中复杂的高维、离散和动态等优化问题,因此针对解决复杂的优化问题而设计混合智能优化算法具有一定的研究意义。本文不仅概述了智能优化算法的研究背景、意义及研究现状,而且还分析了一些智能优化算法的不足。本文对高维优化问题、虚拟机放置问题及智能优化算法进行了研究,提出了两种混合智能优化算法(PS-ABC和HGPSO-EC)。论文的主要研究工作如下:(1)高维优化问题由于随着搜索空间维度的增加,其计算复杂度按指数级增长,对此本文提出了一种改进的混合智能优化算法PS-ABC。该算法的思想是在每次迭代过程中,每个个体是在粒子群(PSO)算法结构上使用人工蜂群(ABC)算法的探索能力,因此,该算法拥有快速收敛和优秀的计算性能。通过仿真结果表明,该算法在解决高维优化问题上效果显著。(2)在云数据中心中,为了降低服务器资源的浪费,本文提出一种基于聚类思想、粒子群和遗传(GA)算法的面向虚拟机放置混合算法(HGPSO-EC)。该混合优化算法主要包括租户虚拟机整体聚类(EC)和HGPSO算法两部分。虚拟机整体聚类有利于最小化通信代价;HGPSO算法综合了 GA算法的强全局探索与PSO算法的强局部开发能力,能够降低服务器资源的浪费。实验仿真验证了 HGPSO-EC算法在解决虚拟机放置问题的可行性和有效性。