多峰优化问题近年来一直是优化算法领域研究的热点,使用群智能优化算法来作为求解多峰优化问题的手段,已经被很多学者证实是可行且高效的。头脑风暴优化算法的灵感来自于人类的头脑风暴会议,它模拟了一群不同背景的人集思广益解决问题的过程。头脑风暴优化算法是一种新颖的群智能优化算法,也是首个模拟人类行为的群智能优化算法,得益于其自有的聚类过程,头脑风暴优化算法原生适合于解决多峰优化问题。但是,对于头脑风暴优化算法求解多峰优化问题的研究仍然处于初期阶段,仍然存在着诸如适应性不强、峰值数目发现不足、寻优精度不高等缺陷。鉴于此,本文针对头脑风暴优化算法,做出了研究,主要有以下三点:（1）基于不同聚类策略的头脑风暴优化算法设计,提高算法求解多峰函数的能力与面对不同优化问题的自适应能力。本文提出了三种聚类策略,第一种为基于固定类簇大小的聚类策略;第二种为基于类簇半径的聚类策略;第三种为基于启发式聚类算法的聚类策略。原头脑风暴优化算法中的K-Means聚类算法与本文提出的前两种聚类策略均需要算法使用者具备与待求解多峰问题相关的先验知识,而第三种聚类策略却不需要,它能够自适应的将所有个体划分到不同的类簇中。（2）对头脑风暴优化算法的个体更新方式提出改进。针对头脑风暴优化算法寻优精度不足与收敛速度慢的问题,引入了两种改进方案,第一种改进方案为在选择普通个体进行变异时,引入学习机制;第二种改进方案为在选择两个类簇中的个体进行交叉时,引入最近类簇交叉策略。（3）对基于不同聚类策略的头脑风暴优化算法进行实验验证,结果表明,基于启发式聚类策略的头脑风暴优化算法具有很强的自适应性;对改进的个体更新方式进行实验验证,结果表明,改进后的算法能够有效提高算法的寻优精度;最后开发了一款可视化的算法仿真测试平台,收录了本文所讨论的所有优化算法以及所有基准测试函数,用户可以直接在平台上进行仿真实验。