群智能优化算法以个体与个体之间、个体与环境之间,个体与个体组成的群体之间的互动行为作为基本原理的。作为生物社会性的模拟,群智能优化算法主要利用局部信息产生不可预测的群体行为,是一类基于迭代的优化方法,也是进化计算方法的一种。蚁狮优化算法是以蚁狮的捕猎模型为基础提出的一种群智能优化算法,具有鲁棒性好,收敛速度快,参数少等优点。由于提出时间相对较晚,各方面研究还不能满足各方面的需求,因此本文致力于对其进行进一步的研究,试图改善其存在的问题并提出新的算法,并对其在聚类方面的应用做出探索。主要工作和贡献如下:(1)提出一种新的基于距离的蚁狮优化算法(The Distance Ant Lion Optimizer,DALO)。算法在已有的蚁狮优化算法的丛础上,通过加入距离这一变量,使得蚂蚁进行随机游走的时候,同时考虑距离因素和适应度因素,并在更新蚁狮位置的同时,随机化蚂蚁的位置。通过确保大多数蚁狮周围都有蚂蚁进行搜索,以及加强随机性,保证了该算法能够搜索到尽可能多的空间,从而得到全局最优值。通过实验表明,基于距离的蚁狮优化算法在收敛性,鲁棒性,以及避免局部最优等方面的性能相对于其他群智能优化算法更具优异。(2)提出了新的基于K-均值的ALO聚类算法,利用蚁狮优化算法在每次确定簇中成员后,可以更好地帮助K-均值算法确定簇的新中心,加快聚类速度。算法利用在簇中心稳定时,各中心到簇中所有样本点的距离和最小这一特点,将聚类问题,转移成在样本空间内搜索k个最佳簇中心的问题。通过实验表明,基于K-均值的ALO聚类算法与其他聚类方法相比能够得到更好的聚类质量,并且收敛速度快。