在现实生活中,科学研究和工程设计中的诸多问题均可归结为优化问题。伴随群智能理论的快速发展,群智能算法作为一类通过模仿动物集体行为来对优化问题进行求解的方法,近年来备受人们关注。然而,随着工业生产的不断发展,优化问题如今已经呈现出多峰值、高维度、非线性、强约束等特点,对群智能算法的发展提出了新的挑战。组搜索算法作为群智能算法中较年轻的优化算法,因为其独特的种群结构和在处理优化问题时的优异表现,逐渐被人们关注并推广。然而在解决复杂问题时,组搜索算法依然存在陷入局部最优、过早收敛等问题。本文旨在采用多种策略对组搜索算法进行改进,以提高其在处理复杂优化问题方面的能力,本文主要研究成果如下：(1)为了提高组搜索算法的全局搜索能力,提出了一种基于组搜索和粒子群算法的混合算法(GSPSO)。该算法充分发挥粒子群的全局搜索优势及组搜索算法的局部搜索能力,使两者取长补短。该算法中的种群轮流执行组搜索和粒子群两种进化机制,其中粒子群算法用于在较大的搜索空间中确定包含全局最优解的局部区域,而组搜索算法则用于在此区域内进行局部搜索,此外,组搜索中的“巡逻者”起到修正该局部区域的作用。两种机制采用相互解救的方式交替执行。GSPSO算法同时采用淘汰机制,将种群中适应度较差的个体进行淘汰,以提高算法的寻优效率。对18个经典测试函数的优化结果表明,与其它4种算法相比,改进的算法在收敛精度方面具有明显优势。(2)处理多峰值问题时,基本组搜索算法中“追随者”盲目信任“发现者”的进化方式虽然使算法具有较快的收敛速度,然而,也比较容易使算法陷入局部最优。针对这一问题,将基于小世界网络的邻域结构引入算法,提出一种改进的组搜索算法(ISWGSO)。在改进的算法中,“追随者”在每次迭代中按小世界网络构建自身领域,并同时参考全局信息和邻域信息更新自身位置。受人类社交网络启发,“追随者”邻域的规模在计算过程中逐渐扩大,同时个体在增加邻居时考虑彼此间的距离因素。此外,正交试验法被用来分析参数对算法性能的影响,并给出参数调整的建议性方向。对11个多峰值测试函数的仿真优化,验证了该算法的有效性。随后,将其用于训练神经网络的参数,并建立了合成氨过程中氨合成塔出口氨含量软测量模型。(3)相比较而言,高维度多峰值优化问题对群智能算法而言更具有挑战性和现实意义。尽管组搜索算法在处理高维度问题方面,较其它算法有明显的优势,然而其依然无法避免陷入局部最优和过早收敛等问题。因此,针对高维优化问题提出了一种基于最近邻域的组搜索算法(GSO-NH)。受动物集体一致性的启发,算法中的个体通过选择固定数量的最近邻构建自身邻域。在最近邻域的基础上,个体放弃了角度进化方式,转而采用全新的进化机制。其中,“发现者”通过参考邻域内的次优个体发现其邻域内的更优位置；“追随者”同时参照全局最优和邻域内最优个体来更新位置,以丰富其参考信息的多样性；此外,“巡逻者”在解空间边界和自身邻域边界之间的区域进行随机搜索。通过对多个多峰值测试函数在30维和300维情况下的仿真,验证了算法在处理高维多峰值优化问题上的优越性。随后,建立了基于GSO-NH和神经网络的管式反应器温度分布模型,其中,GSO-NH用于优化包含337个参数的神经网络。仿真结果进一步验证了算法在解决高维优化问题方面的有效性和实用性。(4)针对有约束优化问题,提出了一种基于组搜索的约束优化算法(GSO-TR)。受到蚁群纵列行进策略的启发,该算法按个体违反约束的程度将种群中位于非可行域中的个体分为分享者和逼近者。为提高种群在可行域内的开发能力,分享者通过邻域位置复制策略均匀地分布于可行域内。逼近者则采用向可行域边界逐步靠近的策略,以提高种群对边界区域的探索能力。此外,在计算过程中,两者采用动态分配策略,分享者的比例逐渐提高,逼近者的比例逐渐降低,以收紧算法对个体违反约束的容忍度。对多个经典约束优化问题的优化结果显示了改进后的算法在寻优精度和满足约束等方面均具有-定优势。随后,算法用于对丁烷化过程效益最大化问题求解,并取得令人满意的结果,从而进一步验证算法的实用性。