群体智能随机、并行、分布式和非集中控制等特点,为寻找复杂优化问题的解决方案提供了基础。目前对于群体智能优化算法解决优化问题的研究已经成为自然计算的重要领域。然而单一的群体智能模型并不能满足实际问题中出现的多模态、高维、带约束和多目标优化问题,所以针对解决具体的优化问题设计混合的智能优化算法具有十分重要的理论意义和应用价值。本文主要针对粒子群优化和菌群优化两种典型的群体智能优化算法进行研究,给出了解决多种优化问题的混合群体智能优化算法,取得的主要成果归纳如下:将粒子群优化的基本原理与克隆选择算法相结合,提出了一种新的混合算法。首先在de castro的克隆选择算法的基础上,设计了加强算子,使粒子群的优化思想融合到了克隆选择算法中;然后将粒子群优化算法与人工免疫算法的结合,利用免疫网络的基本原理设计了抗体抑制算子,同时重新设计了克隆算子和超变异算子。将所提供的混合算法在多模态函数优化问题、导轨滚珠优化问题和PID控制器参数自整定进行了应用。针对粒子群优化算法对高维函数优化的早熟问题,基于克隆选择原理和粒子群的群体智能思想提出了一种动态多群体的优化方法。该算法将子群体作为抗体,而在子群体内部施行PSO,同时利用克隆选择原理设计了克隆、变异、选择和受体编辑算子。通过七个各有特点的高维复杂函数的优化,验证了本算法的寻优能力。针对菌群优化算法收敛速度慢,在最优值附近容易发生震荡的问题,基于菌群优化和遗传算法的思想提出了一种处理约束优化问题新方法。首先,该算法利用佳点集产生初始菌群群体,并加入了基于佳点集的交叉算子;其次设计了自适应变化趋药性步长,并采用Pareto支配的概念处理了约束条件使得单目标约束优化问题转化为多目标非约束优化问题;最后设计了一种新的混合选择策略。利用11个典型的约束优化问题(包括线性、非线性、等式以及不等式约束)的数值仿真验证本算法的有效性,并将其用于解决三个工程中的设计问题。分析了基本的BFO解决多目标优化问题的结果,基于存在的问题,将文化算法(CA)的思想加入到BFO中,提出了一种解决多目标优化问题的混合算法。该算法采用BFO做搜索引擎,同时设计了针对多目标问题的信念空间、接受函数和影响函数。利用信念空间保存的知识自适应的调节菌群优化算法的趋药性步长,重新定义了菌群算法中细菌个体的健康系数,从而使得两种算法有效的融合在一起。文中对五个典型的多目标优化问题进行数值仿真,验证了算法的有效性。论文最后对所做工作与主要研究成果进行了总结,并提出了进一步的研究方向。