基于群智能的优化算法通过模拟生物群体的智能行为建立模型解决最优化问题。与精确算法不同,群智能算法通过随机性得到初始解决方案,并在优化过程中不断改进这组初始解。因此具有较好的局部最优规避能力和全局勘探能力。同时群智能算法的无推导机制将优化问题视为黑箱,能使用于更广的优化问题。灰狼算法（Gray Wolf Optimizer,GWO）模拟灰狼种群的捕食过程构建数学模型求解优化问题。为进一步提高灰狼优化算法的寻优精度和全局收敛性,提出了基于非线性自适应权重和黄金正弦算子的改进灰狼算法（NGS-GWO）。NGS-GWO首先引入非线性自适应权重,使搜索代理可以依据迭代过程自适应探索和利用搜索空间,平衡了局部开发和全局勘探阶段。其次将黄金正弦算子融入灰狼算法。由于正弦函数和单位圆的特殊关系,遍历正弦函数即相当于扫描单位圆,搜索代理以正弦函数的路线进行高效搜索,提高了算法的收敛性能和全局勘探能力;同时,黄金分割系数的加入使搜索代理每次缩短的步长不变,搜索代理集中在结果良好的区域细致开发,提高了算法的寻优精度和局部开发能力。在单目标函数优化部分,选取灰狼优化算法（GWO）,粒子群算法（PSO）,黑洞算法（BH）,烟花算法（FWA）,正弦余弦算法（SCA）与NGS-GWO进行对比实验。同时仿真实验还将NGS-GWO与其他版本的改进算法进行对比实验,以提高对比实验的说服力。此外两种改进策略的有效性通过控制变量法得到了验证,最后将改进灰狼算法应用于高维优化问题。仿真结果包含统计数据的非参数检验和收敛曲线图。结果表明两种改进策略的引入可产生协同作用,有效提高了灰狼优化算法的优化性能,使算法在全局收敛性高和局部最优值规避上更具有竞争力。NGS-GWO还应用于涵盖不同背景的优化问题以进一步验证改进算法的性能。在应用优化部分,NGS-GWO作为训练器应用于有监督学习的多层感知机模型,求解多分类和函数近似问题。此外还将基于NGS-GWO的自适应阈值去噪法应用于超声检测,将基于NGS-GWO的Otsu多阈值分割法应用于灰度图像分割,应用优化的仿真结果显示改进算法较其他算法更具竞争力。