近几来,随着智能计算的深入研究,群智能算法也在不断发展。这类算法主要是通过模拟自然界中的生物特征与社会行为而提出的一系列智能算法。本文主要研究灰狼优化(Grey Wolf Optimization,GWO)算法,它是模拟灰狼的种群活动而提出的群智能算法,该算法因其在高维度的求解精度较高而受到广泛关注,但是它与其他群智能算法一样存在求解精度低和易陷入局部最优的缺点。针对GWO算法存在的问题提出了三种改进的GWO算法。主要研究内容如下:1)基于非线性的控制因子和遗传变异的思想提出了一种改进的灰狼优化算法(NGGWO)。首先,为了平衡算法的全局与局部搜索能力,提出了在余弦函数的递减区间的基础上增加波动因子的非线性收敛因子;其次,为了解决算法陷入局部时的停滞现象,提出通过遗传变异的思想来改进算法的搜索机制,增强跳出局部最优的能力。2)基于非线性的控制因子和哨兵思想提出了一种改进的灰狼优化算法(NSGWO)。首先,针对NGGWO中提到的非线性策略进行进一步优化,整体上加快了控制因子的递减速度并且缩小了控制因子的波动峰值;其次,为了解决算法陷入局部时的停滞现象,基于哨兵的放哨和巡逻两种职能提出了一种改进的搜索机制。3)基于余弦变换的控制因子和Tent差分变异的思想提出了一种改进的灰狼优化算法(CTDGWO)。首先,为了平衡算法的全局与局部搜索能力,提出一种基于余弦变换的平滑递减的控制因子;其次,在算法中引入了Tent差分变异策略,用于解决算法陷入局部时的停滞现象。4)通过23个测试函数对改进的三种算法进行数值实验。每个算法的数值实验分为两步:首先对改进的GWO算法与GWO算法进行算法性能分析;其次对改进的GWO算法与其他三种改进的GWO算法进行算法性能分析。此外,在所有数值实验分析中使用了非参数检验来判断竞争算法之间是否具有显著性的差异。实验结果表明,三种改进后的GWO算法的性能基本优于所有的竞争算法。5)将灰狼优化算法应用于图像增强。在图像增强应用方面,通过NGGWO、NSGWO和CTDGWO算法作为不完全Beta函数的参数优化器,帮助不完全Beta函数自适应的处理不同类型的图像。实验结果表明,基于三种改进GWO算法的不完全Beta函数的增强方法的可以有效的实现图像的对比度增强。