蜘蛛群算法是模拟一种群居蜘蛛的合作捕食,织网交流以及繁衍后代等行为而设计的一种群智能优化算法。在蜘蛛群算法模型中,个体是根据性别分工协作。不但更真实的反映了群体的合作行为,同时也一定程度上平衡了算法探测和开采能力。蜘蛛群优化算法结构直观,容易理解,有较好的搜索能力。因此,已被国内外学者广泛地应用于各个领域。但随着搜索空间维数的增加,该算法存在着易于陷入局部最优,收敛速度慢和计算精度低等缺点,限制了该算法的应用领域。本论文针对蜘蛛群优化算法所存在的不足,从编码方式和进化新策略等方面对其进行了改进,并将改进后的算法应用于一些复杂的优化问题中。目的在于改进蜘蛛群优化算法的性能,完善其算法的理论基础,拓广其应用领域。主要成果如下:(1)采用复数编码双倍体的思想对蜘蛛群算法的编码方式进行优化,提出一种复数编码蜘蛛群优化算法,增加了算法的种群多样性,增强了算法的全局搜索能力,避免算法过早地就陷入局部最优解的同时提高了算法的寻优精度。(2)针对传统聚类算法存在着对初始数据敏感,易陷入局部最优以及在解决高维大数据集时效率和效果差等问题,本文引入一种随机变化的单纯形进化策略,在增强算法全局和局部搜索能力的同时加快了算法的收敛算速度,提高了算法的精度。分析和比较实验结果表明,改进的蜘蛛群优化算法提高了求解聚类问题的精度和效率。(3)针对传统数学和确定性方法在训练前馈神经网络时易陷入局部最优,种群多样性不高等问题,借鉴粒子群算法,将个体的社会行为引入到蜘蛛群优化算法中,提出一种具有社会行为的蜘蛛群优化算法,使蜘蛛个体具备简单学习能力。极大的增强了算法的探测和开采能力。比较分析实验结果表明有社会行为的蜘蛛群优化算法对训练前馈神经网络结构是有效的。