群搜索优化算法(Group Search Optimization,GSO)是受到动物觅食机制的启发提出的一种新颖的群智能优化算法。因为其种群结构独特,在求解优化问题时性能表现突出,因此被人们逐渐关注,在神经网络训练、函数优化、机器人路径规划等领域获得了广泛应用。然而群搜索优化算法在解决复杂问题时,依然存在过早收敛、易于陷入局部最优等问题。本论文采取多种策略对群搜索优化算法进行改进,提高其在解决复杂优化问题方面的能力。　　本文算法从以下两个方面进行了设计和改进。为了提高群搜索优化算法的搜索能力,设计了一种基于发现者预选择机制的自适应群搜索优化算法(A producer pre-selection mechanism based self adaptive group search optimization,PSAGSO)。该算法依据发现者.追随者模型,采用预选择机制,用倒序变异算子产生新发现者,来引导追随者寻优的方向,有效地维持了群体中个体的多样性。为了使算法更好地兼顾全局和局部搜索能力,设计出了一种基于线性递减的动态自适应方法来调整游荡者的分布比例,以提高种群中个体的活力,有利于算法跳出局部最优。通过对23个基准函数进行测试。对于30维函数优化, PSAGSO算法的测试数据优于原文献提供的数据;对于300维函数优化问题,PSAGSO算法的性能更佳。实验结果表明,PSAGSO改进了群搜索优化算法的不足,在一定程度上提高了算法的收敛速度和收敛精度。　　针对复杂环境的无人机航迹规划问题,如何给无人机规划出一条最优飞行路线?本文用融合的群搜索优化算法和差分进化算法(GSO-DE)来解决无人机航迹规划问题。基于自组织白适应策略群搜索优化算法用来更新无人机的飞行角度和乜行距离;差分进化算法用来修正无人机在任务区域的飞行航迹,这样,无人机能找到一条避免威胁、油耗较低安全的航迹。实验结果表明,改进的GSO-DE算法在无人机航迹规划中是有效的。