智能优化算法作为解决优化问题的重要方法,被广泛的应用到交通、军事、医疗、工业等多个领域中,并取得了辉煌的成就。正余弦算法(sine cosine algorithm,SCA)作为利用三角函数的数学模型寻找最优解的新型群智能优化算法,因为其更新公式简单,易于实现,一经提出便广受关注。针对正余弦算法的适用场景不同,原始正余弦算法并不能表现出优秀的优化性能。为了提高正余弦算法的优化性能,拓展正余弦算法的在工程领域中的应用,本文的主要研究内容如下:(1)提出一种新的基于邻域结构的骨干正余弦算法。新算法受骨干思想启发,引入了邻域结构和高斯采样学习,并且在算法的更新过程中控制高斯采样学习的权重,保证算法前期具有较强的探索能力,后期具有较强的开发能力。运用新算法与其他智能优化算法对基准测试函数进行仿真实验,通过实验结果分析,新算法在鲁棒性和计算精度方面都有明显的改进。(2)提出一种分层多子群协作正余弦算法。新算法的主要思想是将种群的更新架构分成两层:在底层中,将种群分成若干个个体数目相等的子群,每个群体的个体只能在相应的群体中并行进化;在顶层中,群体是由底层中各个子群中最优个体组成的,顶层中的个体都是按照高斯采样学习策略实现位置更新的。为了保持种群的多样性,在更新过程中利用随机重组策略来保持种群的多样性。通过测试函数的仿真实验,证明改进策略对正余弦算法的性能有明显的提高。(3)提出一种离散多目标正余弦算法。新算法根据复杂网络中社区检测问题的特点,通过重新定义了正余弦算法的运算规则,将原本处理连续优化问题的正余弦算法离散化。通过对现实数据集的仿真实验,新算法在处理复杂网络中的社区检测问题具有明显的优势。