启发式优化算法是一类启发于自然现象或规律的智能搜索和优化技术的统称。由于其高效的优化性能以及巨大的应用潜力等优点，在众多领域和学科中得到了十分广泛的应用，比如机械制造、航空航天、军事、科研等。但是，随着优化问题的日益复杂，给算法带来了巨大的挑战，探索和提出高效的搜索算法一直是一个开放性的话题。本文通过对群体决策现象的模拟，提出了一种新的启发式方法—商讨式群决策优化算法，并用于求解不同的最优化问题。主要工作总结如下:
　　(1)受群体决策现象的启发，提出了商讨式群决策优化算法。该算法主要模拟群体决策中五个重要的决策过程:基于经验的过程，基于其他决策者的过程，基于群体思维的过程，基于领导者的过程和基于创新的过程。针对每个决策过程设计相应的计算算子，并采用多步式可选择策略来连接这些算子。通过对测试函数集和神经网络训练模型的仿真实验，结果表明提出的算法可以得到很好的计算结果，优于其他对比算法。
　　(2)受广义的群决策现象启发，提出了扩展的商讨式群决策算法。针对商讨式群决策算法中固定的算子连接顺序，计算冗余问题，扩展的算法引入随机序列构造策略为种群个体提供不同的搜索序列，这样改变了原来固定的算子顺序，提高算法的灵活性。此外，在保持算法框架不变的基础上，进一步修正了相应的计算算子。通过对测试函数集和无人机路径规划问题的仿真实验，结果表明扩展的商讨式群决策算法得到了更好的计算结果，明显优于其他的对比算法。
　　(3)为了有效地求解动态多目标优化问题，提出一种基于预测的动态多目标优化算法。算法中的动态处理机制旨在提供新环境下高质量的搜索种群，主要包括三个策略:首先，非支配个体预测策略旨在充分利用环境中的非支配解信息，来预测新环境下的可行解。其次，采样策略旨在充分利用变量关系产生高质量的可行解，用于引导种群的搜索。最后，缩放策略旨在根据变量分布特性，寻求更有效的搜索空间，来提升种群的质量。通过对测试函数集的数值实验，结果表明提出的算法较其他的对比算法有着更好的搜索性能。