群智能算法是从模拟自然界生物群体的智能行为发展而来,目前典型的群智能算法有:遗传算法、人工免疫、粒子群算法以及蚁群算法等。它们都是基于群体搜索的随机优化算法,它们的特点是对优化的目标函数没有连续、可微等要求,且算法的结果不依赖于初值的选取,因此,对群智能算法的研究,具有重要的理论意义与实用价值。本文主要研究了目前典型的几种群智能优化算法在函数优化方面的应用。为了搜索函数的最优解,基于遗传算法基本理论,提出了自适应遗传算法(AGA)。AGA从两个方面改进了标准遗传算法:一是交叉、变异率会自适应调节大小;二是交叉、变异具有方向性。通过对AGA的仿真研究,分析了AGA中参数取值对算法的性能影响。最后把AGA和标准遗传算法进行了仿真比较,结果表明AGA在求解函数最优解问题时性能较优。结合克隆选择算法基本原理,提出一种搜索函数最优解问题的自适应克隆选择算法(ACSA),ACSA从两个方面改进了算法:一是高频变异前乘上一个随进化代数递减的系数;二是每代更新数d会随着抗体群的平均适应度值自适应调节。通过对ACSA的仿真研究,分析了ACSA中参数取值对算法的性能影响,并把ACSA和标准遗传算法进行了仿真比较,结果表明ACSA在求解函数最优解问题时的高效性。为了对多模态函数寻优,基于免疫克隆选择算法原理,提出了自适应小生境克隆选择算法(ANCSA)。小生境决定位段会随着优化对象的维数及可行域的变化而自动调节,从而形成不同的小生境,每个小生境都具有免疫记忆功能。通过对三个典型的多模态函数仿真,并和相关算法进行比较分析,结果表明ANCSA在解决多模态函数优化问题时具有较强的自适应性和收敛性。结合粒子群算法基本原理,提出一种解决多模态函数优化问题的小生境粒子群算法(NPSA),通过对NPSA收敛性分析和四个典型的多模态函数寻优问题的仿真实验,并和相关算法仿真比较,结果说明NPSA在解决多模态函数优化问题时的高效性。结合蚁群算法基本原理,设计一种解决多模态函数优化问题的小生境蚁群算法(NACA),算法采用实数编码,通过对NACA仿真研究,并和相关算法的仿真结果进行比较分析,结果表明NACA具有参数易于选择、适应性强、收敛性好等优点,非常适合于求解同时具有多个最优解或需要搜寻局部最优解的多模态函数优化。