近年来,有关受自然启发式优化算法的研究越来越多。相比传统优化算法,它具有免于求导,实现简单以及快速、有效等特点。本学位论文以自私兽群优化算法为基础进行研究,这是一种新颖的受自然启发式优化算法。但是随着对该算法研究进展的推进,一些研究者们发现在求解某些现实优化问题时,由于自私兽群优化算法存在全局搜索范围较小、易陷入局部最优解、种群多样性较为单一以及具有较弱的局部搜索能力的缺陷,从而导致了算法中出现搜索停滞、收敛精度较差、候选解的质量较低以及丧失局部搜索能力的现象,并且由于该算法的固有属性,所以它也不能有效地求解离散型优化问题。以上这些问题表明该算法在结构设计中存在不足之处,而且这些缺陷影响了自私兽群优化算法的应用范围。基于以上所述,本学位论文的主要内容是对自私兽群优化算法的不足之处进行改进并将其应用于实际的最优化问题,主要目的是进一步提升该算法的优化性能,完善该算法的结构框架和拓展该算法的应用范围。研究成果由以下五个方面所组成:（1）提出一种融合Lévy flight搜索策略的自私兽群优化算法,克服原算法因全局搜索能力存在不足而出现的算法搜索停滞现象。Lévy flight搜索策略已经被众多学者们证明是一种有效的随机游走过程,它的每次的搜索方向都是完全随机的且搜索的步长也是服从重尾分布。同时,该策略的搜索路线也广泛存在于人类和动物的运动轨迹中,遂将其作为一种全局搜索策略加入到自私兽群优化算法,目的是扩大该算法对候选解空间的探索范围,从而提升该算法找到更好的候选解的概率。之后,将改进的算法应用于求解全局优化问题。（2）提出一种融合单纯形搜索策略的自私兽群优化算法,克服原算法因新产生候选解的质量较低而引起的算法收敛精度较差的现象。单纯形方法是优化领域中经常使用且有效的优化策略,它可用于启发式算法产生候选解的过程。在该成果中,使用全局最优解和全局次优解去作为起始端点执行单纯形方法产生新候选解的搜索过程,并且它代替了原算法的繁衍操作,使得改进算法中新候选解的质量得到了进一步的提升,从而增加了改进算法找到更好候选解的概率。之后,将改进算法应用于数据聚类分析问题。（3）提出一种融合正交设计与信息更新方法的自私兽群优化算法,克服原算法中新生候选解的质量较差且算法中种群多样性较为单一的缺陷。正交设计是一种在候选解集中选出具有代表性且质量较高的候选解的方法,而使用信息更新方法的目的是提高算法的种群多样性,从而拓宽算法在候选解空间的搜索范围,提升算法找到全局最优解的概率。之后,将其应用于多层感知器的数据集分类问题,改进算法主要对多层感知器的权重值以及偏置值进行优化,使得多层感知器能得到最好的数据集分类精度。（4）提出一种求解离散型优化问题的自私兽群优化算法,克服原算法不能求解离散型优化问题的缺陷。在该成果中,设计了一种离散型自私兽群优化算法,并且将其应用于求解图着色问题。图着色问题是一种著名的离散型优化问题,它主要包括平面中“四色着图”优化问题以及“最少色数着图”优化问题。在离散型自私兽群优化算法中构建了全新的位置更新公式,并且加入了有效的消除着色冲突区域的策略以及减少着色颜色数量的方法,这些策略和方法有效地提升了离散型自私兽群优化算法的性能。（5）提出一种融合分段线性混沌映射搜索策略的自私兽群优化算法,克服原算法在全局最优解的周边丧失局部搜索能力的缺陷,使得改进算法能在全局最优解的周边找到潜在更好的候选解。在该成果中,使用分段线性混沌映射搜索策略作为全局最优解周边的局部搜索机制,该策略的混沌序列可以获得许多不同的混沌搜索轨迹,而这种搜索轨迹具有不可预测性、遍历性、非周期性以及不可重复性,这些特性能帮助改进算法有效地脱离局部最优解。之后,将改进算法应用于IIR滤波器的辨识问题。