群体智能算法具有简单性、灵活性和局部最优避免性,能够有效地解决复杂优化问题,因而引起了许多学者的关注。没有免费午餐定理（No free lunch theorem,NFL）从逻辑上证明了不可能存在一种优化算法能够解决所有优化问题,因此在过去几十年里学者们不断提出新的群体智能算法用以解决不同优化问题。蝗虫优化算法（Grasshopper optimization algorithm,GOA）是一种新提出的群体智能优化算法,通过模仿蝗虫寻找食物来源的生物习性来进行位置更新,其优势在于控制参数少、无梯度机制以及自适应探索和开发模式。但由于各蝗虫位置更新与其他所有蝗虫的位置均相关,导致GOA收敛速度较慢、收敛精度不高。本文从两个不同的角度提出两类新型蝗虫优化算法。其一是基于非线性权重的新型蝗虫优化算法（Novel grasshopper optimization algorithm,NGOA）:首先为了平衡算法的探索与开发能力,改进了位置更新公式中的线性自适应参数,并将其作为当前最优位置的权重。其次为了提高算法的收敛速度和收敛精度,提出了精英蝗虫位置更新策略。其二是基于选择策略的简化蝗虫优化算法（Simplified grasshopper optimization algorithm,SGOA）:首先为了快速缩小算法的搜索范围,运用选择策略对初始种群进行处理。其次为了实现算法的趋优和加速,利用选择策略将整个种群分为精英种群和一般种群,精英种群由当前最优蝗虫指导位置更新;为了保持算法的稳定,一般种群的位置更新由自身位置、精英种群及当前最优蝗虫位置决定。将NGOA和SGOA应用于求解高维复杂函数和训练单隐层前馈神经网络（Single hidden layer feedforward neural networks,SLFNs）。结果表明:（1）NGOA的寻优性能远胜于GOA、基于圆弧自适应的蝗虫优化算法（Grasshopper optimization algorithm baseon adaptive curve,CAGOA）,且能达到多个测试函数的全局最优值,是求解高维复杂函数的有效工具。（2）与GOA、经典的粒子群优化算法（Particle swarm optimization,PSO）、高效的灰狼优化算法（Gray wolf optimization,GWO）以及鲸鱼优化算法（Whale optimization algorithm,WOA）相比,SGOA的收敛精度、稳定性以及寻优成功率均显著高于对比算法。（3）NGOA和SGOA在UCI数据库的4个标准分类数据集上训练SLFNs的分类正确率显著高于对比算法训练的SLFNs。