随着科技迅速发展，无线通信和信息处理方面的理论应用研究得到了研究人员的广泛关注。面对一些复杂的优化问题，当传统方法不能得到较好的结果时，一些研究人员从自然界法则和生物系统中受到启发，设计出一些启发式智能计算方法——智能优化算法，其中群智能算法是一大类模拟生物种群行为的智能算法。狮子作为食物链顶端的动物，比较擅长合作捕猎，近年来模拟狮群行为的群智能算法得到了许多学者的研究。
　　狮群优化算法是一种模拟狮王守卫领地、母狮合作捕猎、幼狮跟随狮王和母狮的新型群智能算法，与经典的粒子群算法相比，狮群优化算法的机制更加灵活，通信方式更加多样。狮群优化算法收敛速度快，但是研究发现该算法存在活动范围大时狮子位置易越界和位置更新公式非普适的问题，影响了算法的搜索性能，亟待解决。论文提出了两种狮群强化搜索算法以解决上述两个问题，并应用于三维DV-Hop定位和频谱感知。
　　受狮群优化算法存在的问题和应用驱动，本文提出了基于改进狮群优化算法的三维DV-Hop定位方法，实现了未知节点坐标的求解。首先采用羊群算法的羊群互动思想和灰狼优化算法的狼群捕猎思想对狮群优化算法进行改进，得到了改进的狮群优化算法。之后简单测试了一下改进的狮群优化算法的性能。最后将提出的改进狮群优化算法应用于三维DV-Hop定位中未知节点坐标的优化。仿真结果表明，提出的算法与经典三维DV-Hop算法、基于原始狮群优化算法的三维DV-Hop算法相比，定位精度更高，且与原始狮群优化算法相比，算法的稳定性提高。
　　针对狮群优化算法存在的问题和应用需求，本文提出了基于强化模式搜索狮群优化算法的线性协作频谱感知方法，实现了权重向量的优化求解。受狮子的一维正态位置分布启发，提出了修正的狮群优化算法，较好地解决了存在的问题。为了提高修正的狮群优化算法的收敛精度，加快收敛速度，结合Q学习和模式搜索提出了复杂度低的强化模式搜索算法，并将其用于狮王位置更新提出了强化模式搜索狮群优化算法。在CEC2013函数集上的仿真实验结果说明相较于原始狮群优化算法、粒子群算法、高斯骨干粒子群算法和修正的狮群优化算法，强化模式搜索狮群优化算法性能更好，精度高，收敛速度快。高维优化时修正的狮群优化算法也有其可取之处。最后将提出的强化模式搜索狮群优化算法应用于线性协作频谱感知模型的权重向量参数优化，仿真结果说明，强化模式搜索狮群优化算法确实较好的解决了频谱感知参数优化问题，且性能优于粒子群算法、高斯骨干粒子群算法和修正的狮群优化算法。当认知用户多的时候，修正的狮群优化算法的相对性能更好。