探路者算法（Pathfinder algorithm,PFA）是一种有效的群智能优化算法,其原理是通过模拟种群中领导者和跟随者的信息交流来解决优化问题。PFA由于其易于实现、性能好等优点广受研究者的欢迎。但仍受群智能优化机制的影响,难以避免早熟收敛、易丧失总群多样性陷入局部最优、以及对参数依赖性严重等缺陷。因此,为进一步提高PFA算法的性能、提高算法收敛性能,增强算法跳出局部最优能力以及拓展其应用范围,本文做了以下工作:（1）针对PFA在解决最优化问题存在收敛速度慢、易陷入局部最优的缺点,提出维度学习探路者算法（Dimension Learning Pathfinder Algorithm,DLPFA）。在种群搜寻最优解的过程中,通过对越界个体执行限制维度学习,对迭代不成功个体采取加强维度学习策略,帮助种群跳出局部最优,提高算法的收敛性能。为验证策略可行性,通过5个基准测试函数与4种算法进行对比实验,结果表明,改进后的算法明显优于其他算法。维度学习策略用于粒子群优化算法（Particle Swarm Optimization,PSO）表明,该策略对于提高算法性能具有普适性。（2）为了克服PFA容易丧失种群多样性的缺陷以及帮助其增强其跳出局部最优的能力,提出了一种具有跃迁档案的动态反向学习探路者算法（Dynamic opposite learning pathfinder algorithm with saltation archive,DOLPFA-SA）。在DOLPFASA中,首先,采用动态反向学习策略用于种群初始化旨在提升初始种群的质量和多样性。其次,提出了一个新的跃迁档案（记为SA）来保存精英个体,跃迁操作被用来扩大信息共享,促进种群的多样性。接着,提出一种双跳模型用于帮助种群跳出局部最优和更好地平衡全局探索和局部开采能力。最后,选择了一些经典基准测试函数以及复杂有难度的CEC2017基准函数与8种经典的进化算法进行比较,用于验证DOLPFA-SA的性能。实验结果和统计分析表明与其他8种进化算法相比,DOLPFA-SA具有优异的性能。（3）针对PFA对参数依赖严重,跳出局部最优能力不足的问题,提出一种基于参数调整的混合人工生态系统优化和探路者算法（Hybridizing Artificial Ecosystem Optimization and Pathfinder Algorithm,HAEOPFA）。首先对PFA的参数进行调整,去除合作系数,并且自适应的调整参数和参数。在此基础上,为提高算法跳出局部最优能力,整合了人工生态系统优化中的分解策略。通过19个基准测试函数与5种算法进行对比实验,结果表明,改进后的算法明显优于其他算法。为拓展算法应用,将HAEOPFA成功应用于三维路径搜索规划中。