近年来,元启发式搜索算法被广泛研究,例如遗传算法和粒子群优化算法,这些智能算法通常是模拟了自然现象,用于解决最优化问题。天牛须搜索算法是2017年新提出的一类元启发式搜索算法,该算法依靠单个个体的寻优特点,在很大程度上提高了算法的运行速度,在低维度单峰函数下的函数优化中有非常好的寻优能力和收敛速度,但是在高维度单峰函数或多峰函数下的问题求解中很容易陷入局部极值,从而无法得到最优值。同时,基本的天牛须搜索算法因其自身的搜索特性,无法直接应用于离散型的组合优化问题中。如何将天牛须搜索算法进行改进并使其在高维度下拥有较好的寻优能力,以及如何将天牛须搜索算法改进并应用于离散型问题是本文的主要研究方向。因此,针对天牛须搜索算法的这两个研究问题,本文分别进行了改进研究,具体研究内容如下:(1)基于模拟退火的自适应天牛须搜索算法。该算法在寻优时通过模拟退火算法的概率性跳突特性跳出局部极值,再通过自适应因子来动态地改变搜索步长从而加快算法的收敛速度。最后以函数优化测试为例与其他学者提出的算法进行对比,仿真结果表明,改进的基于模拟退火的自适应天牛须搜索算法在寻优性能和收敛速度上有较好的表现。(2)二进制天牛群算法求解0-1背包问题。该算法首先利用Tent映射对群体的多样性进行优化,然后对初始的编码进行二进制处理,接着利用重定义的天牛须搜索公式进行寻优,最后通过模拟退火的Metropolis准则来加强算法的局部极值跳出能力。除此之外,在寻优过程中,若出现非法解,通过贪婪的方法对非法解进行合理化。最后,以0-1背包问题的寻优为例与其他学者提出的算法进行对比,仿真结果表明,二进制天牛群算法可以有效地解决0-1背包问题,并且具有较好的寻优能力。