布谷鸟搜索算法和蝙蝠优化算法都是由剑桥大学的Yang相继提出的群智能优化算法，布谷鸟搜索算法的思想源于布谷鸟的寻窝产卵行为，该算法已成功应用于神经网络训练、人脸识别、工程设计优化和多目标优化等方面，均取得良好效果。同时，蝙蝠优化算法的思想源于蝙蝠的觅食行为和回声定位，该算法已成功应用于模糊聚类、神经网络训练和数值优化等方面，也取得良好效果。两种算法已经成为国内外学者研究的热点。然而，布谷鸟搜索算法存在局部搜索能力不强，精度不高等问题，蝙蝠优化算法是比较新的群智能优化算法，也存在早熟收敛、理论基础不完善等问题。本文就提高两种算法的性能问题展开研究，主要研究成果包括：⑴针对布谷鸟搜索算法局部搜索能力不强，后期收敛速度慢和收敛精度不高等问题，提出了基于淘汰机制的布谷鸟搜索算法。实验仿真结果表明，本文改进的算法在收敛速度和精度方面表现较好。⑵针对蝙蝠优化算法存在早熟收敛、全局搜索能力不强等问题，提出了一种采用机动飞行的蝙蝠优化算法，实验仿真结果表明，本文提出的改进算法在很大程度上可避免早熟收敛，具有较强的全局搜索能力。⑶为进一步完善蝙蝠算法的理论基础和提高算法在高维优化的能力，解决早熟收敛等问题，对蝙蝠算法的速度和位置变更公式进行改进，提出了具有记忆特征的蝙蝠优化算法，实验仿真结果表明，改进的蝙蝠算法优势明显。