群智能优化算法是一类通过模拟自然界生物种群的智能行为而产生的随机优化算法,具有对目标函数的要求不高、不依赖于初值的选取等特点,为许多领域中的优化问题提供了卓有成效的解决方案.目前,已经提出了多种新兴或改进的群智能优化算法,其中一些算法的有效性不仅在理论上得到了验证,在实际中也得到了应用,但是对群智能优化算法的研究在很多方面仍存在可以提升的空间.例如,如何在算法的探索能力和开发能力之间达到较好的平衡仍是一个值得探讨的问题.另外,有些算法在解决实际问题时存在计算精度不高、收敛速度慢或易于陷入局部最优等问题,提出相应的改进算法具有重要意义.此外,已提出的优化算法通常是针对某个特定问题而设计的,当将其应用到其他问题时存在失去效力的风险,具有一定的局限性,因此,采用具有不同复杂特性的测试函数来综合评判算法的优化性能很有必要.另一方面,分数阶系统的参数辨识问题是非线性系统的控制与同步领域中非常重要的一个研究课题,可以通过建立数学模型将其转化为一个多维优化问题,然而由于分数阶微分算子的引入和非线性系统的复杂性,构造的适应度函数可能存在多个局部极值点,传统的优化算法往往难以处理,而原始的群智能优化算法也存在一定的缺陷,提出新的改进算法不仅可以改善算法的优化性能,同时将为参数辨识问题提供更加有效的解决方案.综上所述,本文主要研究了以布谷鸟搜索（CS）算法为代表的一类群智能优化算法,通过分析算法的特点和不足,提出了一系列改进的群智能优化算法,并将其应用到分数阶（整数阶）非线性系统的参数辨识问题中.此外,为了更加全面地研究算法的优化性能,选取一系列函数优化问题对算法的优化性能进行测试和评价,最后再次采用参数辨识问题来验证算法的有效性和通用性.本文的具体内容如下:（1）基于混合布谷鸟搜索算法的整数阶非线性系统的参数辨识.CS算法在其局部搜索阶段采用了比较简单的随机游走机制,搜索速度快,但是解的多样性较低.针对这个问题,提出了一种混合布谷鸟搜索（HCS）算法.HCS算法在CS算法的局部随机搜索阶段,引入了一种参数自适应的差分进化策略,给出了基于差分进化的随机游走.此外,在算法的初始化和每次迭代的最后结合了反向学习方法,引导种群向更有潜力的区域进行搜索.最后,将HCS算法应用到整数阶无时滞和时滞混沌系统的参数辨识中,数值实验结果表明,HCS算法可以得到较为精确的参数辨识值,并且收敛速度较快,在与其他算法比较时也具有一定的竞争优势.（2）基于改进的量子行为粒子群优化算法的分数阶非线性系统的参数辨识.为了改善量子行为粒子群优化（QPSO）算法易于陷入局部最优这一缺陷,同时保留其收敛速度快、控制参数少等优点,通过在QPSO算法中引入基于适应度值的平均最优位置、推广的反向学习方法和差分变异算子,提出了一种改进的量子行为粒子群优化（IQPSO）算法,并将该算法应用到分数阶混沌系统的参数辨识中,其中系统参数和分数阶阶数被设定为未知参数,此外,还考虑了噪声对参数辨识结果的影响,相比以往的研究工作,具有更高的维数和要求,处理起来难度更高.通过分析实验结果得出,IQPSO算法可以被认为是一种精确度高、通用性强、鲁棒性好的分数阶系统的参数辨识方法,相比其他算法具有一定的优越性.（3）基于两种改进的布谷鸟搜索算法的函数优化及应用.通过对分数阶系统的参数辨识问题的研究,我们发现针对特定问题而设计的群智能优化算法往往具有一定的局限性,仅在某些特定问题中体现出其优势.因此,在已有研究工作的基础上考虑了函数优化问题.同时,为了进一步提高CS算法的优化能力,增强其探索能力和开发能力,分别针对全局搜索阶段和局部搜索阶段做出改进,提出了兼具高优化性能和广泛通用性的两种CS改进算法:参数自适应的新型布谷鸟搜索（CSAPC）算法和带有外部存档的自适应布谷鸟搜索（ACS-OEA）算法.并采用具有单峰、多峰、旋转和/或移位等复杂性质的测试函数问题从不同方面对所提出算法的性能进行评价,此外,为了进一步验证算法的有效性,还将两种算法应用到分数阶系统的参数辨识问题中.通过分析数值实验结果可以得出,两种改进的布谷鸟搜索算法均具有较高的计算精度和收敛效率,同时具有一定的通用性.（4）对布谷鸟搜索算法中分布函数的分析.算法的探索能力与分布函数产生的随机数之间有着密切的联系,CS算法因为采用了基于L′evy重尾分布的L′evy飞行而具有较强的全局优化能力.然而采用不同的重尾分布也可能在一定程度上提高CS算法的搜索能力,因此,我们对基于不同重尾分布的CS算法进行了分析,主要采用四种经典的重尾分布,即Mittag-Leffler分布、Pareto分布、Cauchy分布和Weibull分布,来替换CS算法中的L′evy分布,提出了基于相应重尾分布的布谷鸟搜索算法.数值实验结果表明,采用不同的重尾分布可以有效地增强CS算法的探索能力.