社会经济科学的高速发展使人类的生活变得更为丰富多彩。在生活中,各领域里遇到的问题也逐渐变的复杂多样化。传统处理问题的方式已无力应付现代化社会的一般需求,在工程科技相关领域尤是如此。对于难以求解的多维度复杂问题,人们对优化技术的性能要求越来越高。传统的优化算法如线性规划,牛顿法等在解决各个领域中遇到的高维度、多峰值等问题时效果不尽如人意。群智能算法具有好的全局优化性而逐步得到关注。本文主要介绍了群智能算法中的粒子群、果蝇、花授粉三种算法。基于此,文章主要的改进与创新内容如下:1)针对粒子群算法设计一种协调的动态学习因子,使得初期迭代过程中尽量考虑自身记录的最佳点,在算法后期则快速向种群最佳点收敛。同时为克服早熟现象,以适应度方差判断种群多样性降低时,利用混沌映射的方式将该代个体更新进行再次选择并且以新的方式进行优化操作。2)针对果蝇算法只向最优个体聚拢的算法局限性,增加了小波转移的逃逸机制以保证迭代方向选择的正确性。在种群多样性较低时对群体进行逆向小波转移,指引种群从局部限制区域逃离,并向全局最优解处收敛。3)通过加入精英个体以提高种群多样性,并以一个线性递减的牵引因子诱导精英个体从算法初期就协同寻优,扩大其全局搜索能力。当算法后期种群聚集度变大,果蝇群体多样性变低,则引入搜索空间压缩的搜寻策略,将目标问题的空间域动态调整为一种自适应步长的方式,帮助算法跳出局部位置而进行深度寻优。4)分析果蝇算法恒定步长会影响算法的寻优精度,以算法的迭代步值为引导因子设计自适应的搜索方式,协调算法全局搜索与局部搜索的能力。在算法搜索后期,为避免种群多样性过早丧失而导致最终问题出现局部最优解,以云模型为基础设计云逃逸机制协助算法跳出局部限制进行深度搜索。5)在花授粉算法中引入以余弦函数为控制因子,随机调节当前位置与最优位置的进化比例,改善算法前期过于聚拢于最优个体而导致进化方向不佳的可能。为一定程度抑制算法进化后期种群多样性降低而出现的优化解聚拢现象,引入非均匀变异策略,对当前位置进行改变以拓展新的进化方向。经过仿真实验表明,改进算法在高维函数以及神经网络优化上具有更好性能。