随着优化问题复杂性的增加,未知变量变多、目标函数结构复杂、约束条件庞大、维度较高,使得优化问题的规模均呈爆炸式增长,变量之间的关系更加复杂,其求解难度日益增加。群智能算法作为一种元启发式算法,因其参数简单、不依赖于具体优化问题、全局搜索能力强、具有一定学习能力等优点得到广泛的应用,并在大量优化问题中取得成功。鲸鱼优化算法是近年新提出的基于群体的元启发式算法,已被证明在部分优化问题和工程应用上优于其它群智能算法。本文对鲸鱼优化算法展开研究,并将改进的鲸鱼优化算法应用到高维函数优化问题和片上网络映射优化问题中。本文主要做了以下研究工作:(1)分别介绍了高维函数优化问题和较大规模片上网络映射优化问题,前者为连续优化问题,后者为离散优化问题。对两种优化问题的背景和发展现状进行了详尽的阐述,对现有的成果进行了分析和评价。此外,针对不同大规模优化问题指出了其亟待解决的问题和面临的挑战。(2)对经典的群智能算法进行详尽的阐述并进行了比较,给出其生物背景和仿生学原理。详细分析了鲸鱼优化算法,总结了不同搜索策略在寻优过程中的特点与作用,同时分析了其在大规模优化问题中的局限性。针对鲸鱼算法的局限性,从开发和探索的角度详细介绍了本文采用的改进策略。(3)针对高维连续优化问题,提出了改进的鲸鱼优化算法(MWOA)并通过解决大规模函数优化问题证明其有效性。所提算法采用二次插值算子增加种群的多样性,引导搜索代理在当前最优解的邻域进行精细搜索,增强算法的开发能力;利用Levy飞行短距离游走并偶有长距离跳跃的特点跳出局部最优,避免算法早熟收敛;用非线性参数替代线性参数控制搜索进程,加快种群收敛并更好的均衡开发能力和探索能力。仿真结果证明,相比较于当前较新的四种改进算法,该算法对于高维函数优化问题的求解十分有效,在收敛速度、寻优精度、整体性能等方面均大幅提高。(4)片上网络的映射问题要求IP核与网络节点之间一一对应,故该优化问题是离散的且具有约束条件,因此群智能算法不能直接进行应用。本文提出一种基于遗传算法和鲸鱼优化算法的映射方法(WOAGA),该算法具有良好的稳定性且能够实现片上网络能耗最小化。该算法采用改进的两点交叉算子进行信息的交替互换,增加种群的多样性;利用变异算子引入新的基因以避免搜索代理停滞于局部最优,从而增强全局搜索能力;结合鲸鱼算法的参数设计,使算法随着搜索进程的推进改变搜索的侧重点,更好的满足不同搜索阶段的要求。仿真实验证明了所提算法解决较大规模片上网络映射优化问题的有效性。