与常见的数学计算方法进行比较,群智能优化算法优势十分突出,其具有智能性、并行性和鲁棒性等的优良特性,并且在适应能力和全局搜索能力上都表现出较为满意的效果,更因其简单和效率高等优点,被广泛的应用于解决实际的问题中。群智能优化算法通常可以在能够接受的时间范围之内寻找出较为优良的解,因此其在权衡时间长度和寻优精度上的表现是十分优秀的。群智能优化算法的一个突出的特性就是其具有启发性,该算法模仿的是自然界群居物种的行为特征、捕食习性、等级分配以及生物进化等等方面,完美的将此类抽象出来的特征融入到算法的寻优过程中。狮群算法是一种新型的模仿狮子行为的群智能优化算法,基本的狮群算法在部分寻优的过程中容易陷入局部最优解。本文针对上述呈现出的问题,运用不同的机制与方法对狮群算法的局部搜索机制进行了改进。本文的主要研究内容及创新点包括以下几个方面:(1)狮群算法在部分寻优的过程中,由于幼狮的寻优方向一定概率上会偏离狮群的最优方向,使得寻优的效率不是很高。果蝇优化算法采取基于种群的随机搜索机制,采用跟进目前最优解信息的方式来引导种群的下一步搜索,使得种群能够以目前最优解为中心开展局部随机搜索,并朝着更优的方向搜索前进。将基本的狮群算法同抽取出来的果蝇算法当中视觉搜索部分相融合,提出了一种基于视觉搜索的狮群算法,在幼狮群体中采取果蝇优化算法的部分优良机制按一定的概率进行位置更新,使得狮群算法的局部搜索能力得到提升。(2)为了提高基本狮群算法的局部搜索能力和收敛精度,提出了一种基于多Agent结构的狮群算法。该算法以狮群算法和智能体技术作为蓝本,将狮群算法中依靠信息流反馈结构产生的群规模效应和多Agent系统中智能体自身在寻优交互及学习后的智能性相结合,使个体在搜索过程中运用群体信息与环境信息配合的搜索机制。由基本测试函数的仿真数据可以看出,与基本的狮群算法相比,新算法的寻优精密度有较大的提高。基于多Agent结构的狮群算法与基本的狮群算法相比,在求取电力系统经济负荷分配问题时,前者求解问题的能力得到明显提升,进一步证明了该改进算法的有效性。(3)针对基本的狮群算法在部分寻优过程中易于陷入局部最优和收敛精密度低的缺点,提出了一种基于混沌搜索和高斯扰动策略的狮群算法。该算法对历代狮王位置加入高斯扰动和混沌搜索策略,提高了狮群算法在寻优过程中的寻优效率。由测试函数的仿真结果可以看出,与基本的狮群算法相比,新的算法的寻优精密度有较大的提高,有效的防止了狮群算法在极难寻找最优解得函数中易陷入局部最优值的问题。最后,对以寻找最小作业加工的总时间为目的的作业车间调度实际案例进行测试,测试结果验证了改进算法的有效性。