鸡群优化算法（Chicken Swarm Optimization,CSO）是2014年提出的智能优化算法,它模拟了鸡群中的等级秩序和鸡群的觅食行为。鸡群按一定的比例分为几组,每一组由一只公鸡、若干只母鸡和小鸡组成。在特定的等级秩序下,不同等级的鸡群之间存在竞争,同时也遵循不同的运动规律。鸡群优化算法具备结构清晰、易于理解、搜寻能力强的优点,因而受到了国内外学者普遍的关注。随着对鸡群优化算法探究的深入,学者们发现该算法也存在收敛速度慢、求解精度低、易陷入局部最优等问题,这些不足严重限制了鸡群优化算法的发展。本文针对鸡群优化算法存在的问题,对该算法进行了一系列的改进,并将改进鸡群优化算法应用于函数优化和模型参数估计问题,主要研究工作如下:（1）为了提高鸡群优化算法的性能,我们在第二章对鸡群优化算法的更新方式进行改进,提出了一种自适应动态学习鸡群优化算法（ADLCSO）。首先,我们在公鸡位置更新过程中添加了非线性递减学习因子和反向觅食机制,以增强种群跳出局部极值的能力。其次,在母鸡的更新过程中,我们提出了一种新的种群相似度指标,并利用该指标对每只母鸡的位置进行自适应调整,以抑制种群多样性的衰减,从而提高算法的求解精度。通过仿真实验,验证了ADLCSO的优越性。（2）为了进一步优化鸡群优化算法的性能,我们在第三章简化了鸡群优化算法的结构,提出了一种基于倒S型惯性权重的自适应简化鸡群优化算法（ASCSO-S）。首先,从改进鸡群算法结构的角度出发,我们把鸡群中小鸡群体去掉,提出了简化鸡群优化算法（SCSO）。其次,我们在SCSO中引入倒S型惯性权重来动态调整其移动步长。最后,当算法早熟时,在母鸡更新过程中引入自适应更新方式以增强算法的勘探能力。通过仿真实验,结果表明ASCSO-S在收敛速度、求解精度和求解稳定性上都优于其他对比算法。（3）鉴于ADLCSO和ASCSO-S是从不同角度进行改进的,我们在第四章对这两个改进算法进行了性能对比。首先,我们利用测试函数对ADLCSO和ASCSO-S进行测试,实验结果显示,两种算法都具有很高的求解精度和稳定性,ASCSO-S比ADLCSO拥有更快的收敛速度。其次,这两种改进算法被应用于Richards模型参数估计问题,通过实验验证了ASCSO-S和ADLCSO比其他3种对比算法更有优势,并且ASCSO-S在决定系数和平均绝对误差这两个评价指标上优于ADLCSO。（4）为了提高GM（1,1）模型的模拟和预测精度,我们在第五章提出了基于鸡群优化算法的改进GM（1,1）模型（CSO-GM（1,1）模型）。我们通过引入扰动因子对模型的初始条件进行改进,并设计了一种基于新信息优先原理的加权适应度函数,然后利用鸡群算法对模型中的参数进行估计。通过实验得出CSO-GM（1,1）模型适用范围更广,模拟和预测的精度更高,并且为了验证ADLCSO和ASCSO-S在GM（1,1）模型参数估计上的有效性,我们使用这两个算法代替CSO对本文改进模型的参数进行估计,实验得出本文提出的两种改进算法在GM（1,1）模型参数估计上更具有优势。