群智能优化算法由于具有实现简单、收敛速度快、鲁棒性高等优点,已被广泛运用于经济、工程等各个领域。然而早期的群智能优化算法往往存在易早熟收敛、种群多样性缺失、收敛精度差等问题,尤其是求解多峰函数及复杂函数时,算法往往难以兼顾种群多样性和收敛精度。因此,本文在前人研究的基础上,针对群智能优化算法的早熟收敛问题,将动态多种群策略分别与粒子群算法(Particle Swarm Optimization,PSO)和鸽群优化算法(Pigeoninspired Optimization,PIO)相结合,提出了三种改进算法,主要工作如下:1.提出了一种基于动态多种群的鸽群优化算法。在该算法中,所有个体在进化初期被划分为多个小规模的子种群,并通过多个子种群的独立进化来保持种群多样性,提升算法的全局搜索能力。为了实现种群间优势信息的共享,提升算法的局部搜索能力,子种群间定期进行重组操作。此外,子种群规模也逐步增大,实现种群从侧重全局搜索能力逐步过渡到局部搜索能力。实验结果表明,改进算法有效改善了PIO算法易陷入早熟收敛的问题。2.提出了一种基于动态多种群策略的全局粒子群算法。在该算法中,整个进化过程分为两个阶段。在搜索早期,整个种群被分为两类子种群,一类被称为全局子种群,另一类被称为动态子种群,这两类子种群分别专注于局部搜索和全局搜索。并运用存储-重置操作提升算法后期搜索能力。实验表明,动态多种群策略和存储-重置策略有效提升了算法求解多峰函数和复杂函数的能力。3.提出了一种基于精英学习策略的动态多种群粒子群算法。该算法根据粒子的适应度值将整个种群划分成多个动态子种群和一个跟随子种群。在此基础上,运用基于精英学习策略的随机分组方法,提高了算法的全局和局部搜索能力。实验表明,该算法通过多种群策略在保证种群多样性的前提下提升了算法收敛精度。