群体智能算法对解决非线性、复杂性的优化问题有着明显优势，广泛适用于工程实践的各个领域。本文针对蚁群算法优化离散空间易早熟收敛、优化连续空间求解精度不高，蝙蝠算法易陷入局部最优解的不足，围绕蚁群算法在离散空间和连续空间上的改进、蝙蝠算法的改进、改进后蝙蝠算法及离散蚁群算法的混合及算法应用这几个方面展开研究。　　首先，针对传统蚁群算法在离散空间优化时信息素更新机制单一、容易早熟收敛的不足，结合蚁群的实际社会活动提出多阶段自适应信息素机制蚁群优化算法，并在算法出现长时间停滞时，引入混沌算子，帮助算法跳出早熟收敛，更好地发挥蚁群算法的优势。将该算法与其他改进蚁群算法针对旅行商问题进行测试对比，验证所提算法具有更强的搜索能力。　　进一步，针对蚁群算法用于解决连续空间优化问题搜索形式片面、取样机制单一、自适应程度不高的不足，在连续域蚁群优化算法基础上从信息分享机制、搜索取样机制、自适应调整权重因子三方面对其进行改进，提出自适应并行连续蚁群算法，并通过测试验证该算法具有更快的收敛速度、更高的寻优精度。　　接下来，针对蝙蝠算法在优化过程中没有充分利用蝙蝠间搜索信息交互影响的不足，借鉴拟态物理学中的作用力规则，基于阶段性搜索策略将搜索过程分为两个阶段，分别构造符合算法阶段性搜索特点的作用力规则，提出多形态作用力蝙蝠算法，并通过测试分析该算法相较于蝙蝠算法、两阶段粒子群等算法具有更高的寻优精度。　　最后，为综合不同群智能算法的优势，将所提的多形态作用力蝙蝠算法和多阶段自适应信息素机制蚁群优化算法进行混合，提出多阶段自适应混合群智能算法，并应用于串-并联多态系统、液压系统可靠性优化和电液系统PID参数整定中，验证所提混合算法解决实际优化问题的能力。