在科学技术和工程实际等诸多领域中,存在各种各样的复杂优化问题,其中不少问题用传统的优化算法难以解决,而智能优化算法在求解某些复杂优化问题时却具有很强的适应性和有效性,对目标函数解析性质和算法初始点选择无特殊要求,且算法收敛快,因此成为解决复杂优化问题的有效方法.本文主要研究两种群智能优化算法,一种是模拟鸟群觅食行为的粒子群优化算法,另一类是模仿蜂群采蜜行为的人工蜂群算法,它们都是模仿生物协作行为机制的随机搜索算法.本文通过引入先进的进化策略提高算法的收敛效果,同时将其应用于实际问题的求解中.本文的主要创新性成果如下:1.提出了高斯和混沌增强策略下的维进化粒子群优化算法.通过对每个粒子按照维的适应度依次进化,并更新较差的维,保证整个粒子不退化.为确保种群多样性,当粒子聚集时在最优解附近实施高斯混沌局部收缩策略,帮粒子跳出局部最优,提高算法的收敛性能.通过基准函数的测试表明所提算法的有效性,将算法引入PID控制系统的参数整定问题中,结果表明系统控制的精度提高,控制效果良好.2.提出了变尺度搜索策略下的混沌粒子群算法.变尺度搜索过程用来实现全局最优位置的迅速定位和局部位置的精细搜索.采用混沌初始化和混沌变异增强种群多样性.通过时变加速系数和时变惯性权重实现了参数的自适应调节,平衡算法探索开发能力.基准函数的测试实验表明,算法的收敛效果明显提高.基于该算法的配送中心选址问题,能实现最优配送中心的规划,使物流网络结构得到优化.3.提出了结合遗传算法和人工蜂群算法的混合优化算法.在人工蜂群算法中引入遗传算法的选择、交叉、变异操作,遗传操作执行全局快速搜索,蜂群算法负责局部精确探索,使算法的探索和开发能力得到均衡.为了验证算法的性能,将算法应用于求解非线性约束优化问题.结果表明所提出算法与其他方法相比具有明显的优越性.4.提出了自适应分组策略下的量子人工蜂群算法.基于平均目标函数值实现种群的动态分组来改善算法的局部搜索能力,采用量子比特概率幅对个体实施编码以提高种群的多样性,通过量子非门实现蜂群变异并帮助其逃离局部最优.通过Benchmark函数的对比实验说明算法是可行有效的.基于该算法的二维最大熵图像分割实验表明,该算法能更好地保留图像的某些细节信息,提高图像的分割效果.