随着社会的进步与发展,许多领域都会使用智能优化算法来解决具体问题。智能优化算法通过效仿生物的进化特点、生活习性和自然界中的规律,生成数学优化机制以寻找问题函数的最优解。差分进化算法和樽海鞘群算法作为新型的智能优化算法,已经被成功应用于多个领域,但是也存在着收敛速度慢和收敛精度低等不足。本文针对差分进化算法和樽海鞘群算法的不足之处,将对这两种优化算法进行改进和研究。主要研究工作如下所示:1.提出了一种自适应的差分进化算法。该算法对原差分进化算法中的变异因F和交叉因CR进行改进,分别设置为单调递减和单调递增的函数,使得在进化前期增强算法全局搜索能力,而在进化后期增强算法局部搜索能力,这样设置可以有效提高差分进化算法的寻优能力且避免陷入局部最优解,并有效提高了原算法的收敛精度。接着将自适应的差分进化算法用于反求含水层参数问题中,将所得的试验结果与其他智能优化算法进行对比,进一步说明了该算法的优越性和可行性,且为反求含水层参数提供了一种有效的求解方法。2.提出了一种改进的樽海鞘群算法。首先在樽海鞘种群初始化中加入混沌机制,来增加樽海鞘种群的多样性。接下来在樽海鞘跟随者位置更新公式中加入动态惯性权重,避免了跟随者的盲目追逐。在樽海鞘群算法寻优后,利用模拟退火算法的概率突跳性质,对盲目追逐的樽海鞘个体进行判断。避免算法陷入局部最优解,加强了樽海鞘群算法的收敛速度与局部开发能力,并提高了原算法的收敛精度。接着采用5个经典基准测试函数检验本文提出算法的有效性,并将该改进樽海鞘群算法应用于河流水质模型参数的识别问题中,且通过具体实例验证了改进樽海鞘算法的优越性和可行性,为识别河流水质模型提供了一种可行的方法。