最优化问题广泛存在于航空航天、工业工程、经济管理、交通运输等领域，这些优化问题促使最优化理论和方法不断进步。随着计算机技术的迅速发展，优化问题的复杂程度也越来越高，单纯形法、最速下降法、共轭梯度法等传统优化算法难以求解这些具有大规模、非线性、不连续、多极值等特点的优化问题。于是，智能优化算法应运而生，常见的有遗传算法、粒子群优化算法、蚁群优化算法等。然而，大多数智能优化算法存在早熟等问题，因此，智能优化算法的改进工作具有一定的实际意义。针对粒子群优化算法的早熟问题，本文提出了一种将粒子群优化算法和最速下降法相混合的智能优化算法——多策略粒子群优化算法。在粒子群寻优过程中，最优粒子采用差商最速下降策略和矫正下降策略进行局部搜索，非最优粒子采用聚集策略进行全局搜索。当整个种群陷入局部极值点时，最优粒子和非最优粒子分别采用随机移动策略和扩散策略进行移动，以跳出局部极值点。4个典型benchmark测试函数的数值实验结果表明，本文提出的算法比其他两种类粒子群优化算法具有更强、更稳定的全局搜索能力。针对云搜索优化算法的参数控制难、算子较复杂等问题，本文采用单因素实验法对算法中涉及的参数与算子进行了分析和优化，并提出了一种将云搜索优化算法和模式搜索法相混合的智能优化算法——一种改进的云搜索优化算法。在云团优化过程中，云会不断地生成、飘动、降雨、收缩和扩张，最终，整个云团聚集在低气压区。采用蒙特卡罗法生成云的方式能减少算法的计算复杂度，采用模式搜索法抖动云层内中心水滴的方式能提高算法的收敛速度和跳出局部极值点的能力。4个典型benchmark测试函数的数值实验结果表明，本文提出的算法比标准粒子群优化算法和云搜索优化算法具有更强、更稳定的全局搜索能力。