鲸鱼优化算法（Whale Optimization Algorithm,WOA）是Mirjalili于2016年提出的一种新型的群智能算法,其寻优机制是受座头鲸捕食行为启发的。鲸鱼优化算法因其特殊的局部搜索方式,拥有收敛速度快、参数设置少等特点,近年来广泛应用于工程优化、神经网络、人工智能等领域。但是,与其他群智能算法一样,鲸鱼优化算法也存在全局搜索和局部搜索之间相互难以协调的矛盾,有时会陷入局部最优。本文在深入研究鲸鱼优化算法的基础上,提出了一种改进的鲸鱼优化算法,并将其应用于非线性能量阱的参数优化问题。在算法研究阶段:首先,针对鲸鱼优化算法全局搜索和局部搜索协调方面的问题,本文对近几年提出的收敛因子进行了讨论、分析和改进;其次,受人工蜂群算法的启发,提出一种激励策略,让算法能够更好地跳出局部最优;然后,用寻优能力更强的自适应变异策略取代随机游走策略,解决鲸鱼优化算法全局搜索效率低的问题;最后,对当前得到的最优解进行逐维搜索,以提高算法的计算效率。确定改进算法中最优的参数组合后,利用多种测试函数对改进算法进行数值模拟分析,结果证明了算法的有效性和优越性。在工程应用阶段:本文将改进的鲸鱼算法应用于两种类型的非线性能量阱的参数优化问题,分别为摩擦型负刚度和磁力型。针对摩擦型负刚度非线性能量阱的参数优化问题,结果表明:在脉冲作用下进行优化,改进算法收敛速度更快、收敛精度更高,且可以对待优化参数进行灵敏度分析;在地震作用下进行优化,改进算法可以在复杂情况下仍能得到更好的解,其得到的最优个体在数值模拟中表现出更好的减振能力。针对磁力型非线性能量阱的参数优化问题,本文对9个参数进行优化,将得到的结果代入21个不同的工况进行数值模拟,结果表明:改进算法得到的最优个体能更好地发挥装置的减振性能,同时说明改进算法可以很好地求解多目标优化问题。因此,改进算法具有实际的工程价值。