由于实际工程问题的复杂性，大量的优化问题都是非常难解的。近年来，一类基于生物群体性智能行为的智能优化算法，因为不依赖问题的梯度信息，且具有跳出局部极值点的潜在能力，已引起越来越多研究者的关注。混合蛙跳算法是一种模拟青蛙觅食行为的智能优化算法，具有参数少，鲁棒性强，简单易于理解等特点。但对于一些复杂问题的求解，混合蛙跳算法仍存在收敛速度较慢、易陷入局部极值的缺陷。本文针对经典混合蛙跳算法容易早熟、收敛速度慢、寻优精度低的缺点，在研究了其寻优机制后，提出了一种采用小生境技术的混合蛙跳算法——小生境混合蛙跳算法（NSFLA）。运用基于限制竞争选择策略的小生境技术，使各子种群动态地形成了互相独立的搜索空间，抑制了由于群体协同导致的趋同性，增强了算法的全局寻优能力，提高了收敛速度；在解的更新公式中，设计了一种自适应调节移动步长的因子，引导解向最优解方向移动，加快了算法的收敛速度；采用种群淘汰机制，随机初始化已陷入局部最优的子种群，避免了算法早熟收敛的情况。实验结果表明，小生境混合蛙跳算法的性能明显优于经典混合蛙跳算法，能避免算法早熟，有效地提高了算法的寻优精度和收敛速度。针对小生境混合蛙跳算法，如何合理地选择和调整控制参数是影响算法性能的关键。在后续的研究工作中，将从算法参数的设置方面着手，进一步改善小生境混合蛙跳算法的性能。另外，还可考虑改进算法初始种群的设计方法和局部搜索策略。