随着实际问题复杂性不断增大,人们对工程应用设计的优化是有必要的。基于实验数据应用于焊接梁、弹簧压缩问题以及压力容器问题等工程问题的生产、制造、建造过程,建立仿真模型,进行评估、控制和优化,可以减少工业应用中的实际开销,获得更低廉的成本。群智能算法作为一种高效的优化算法,能够强有力的在工程应用中取到优化效果,获得更优的参数以及模型。蝗虫优化算法作为一种模拟蝗虫寻找食物来源生物习性的新的启发式算法。其在工程应用的优化上依旧存在不足,面对某些情况时,可能会迅速陷入局部最优,收敛速度较慢。为了更有效地处理工程应用问题,本论文对蝗虫优化算法（grasshopper optimization algorithm,GOA）进行改进,提出三种效果更优良的优化算法,分别为基于正交设计和混沌局部搜索的蝗虫优化算法（OLCGOA）、基于精英反向学习和高斯骨架的蝗虫优化算法（EGOA）以及基于螺旋运动的蝗虫优化算法（SGOA）,并将改进的算法用于工程应用的参数优化中。首先,将正交学习和混沌局部搜索两种策略引入传统的蝗虫优化算法中,使原算法在勘探和开发过程之间寻找更稳定的平衡。在蝗虫优化算法中加入正交学习可以增强智能体的多样性,加强算法的局部搜索能力,提高求解质量,而混沌开发策略可以更新蝗虫在有限局部区域内的位置,提高算法的探索能力,防止优化算法受困于局部最优解。其次,将精英反向学习和高斯骨架策略加入原始的蝗虫优化算法,提高了原始蝗虫优化算法的全局搜索能力和局部搜索能力,有效地平衡了探索和开发。其中,精英反向学习可以帮助其在探索的早期阶段找到更好的蝗虫定位解决方案,有效地探索搜索空间提高全局寻优能力,而高斯骨架策略则有很好的更新蝗虫位置的能力,提高算法的求解精度,增强算法的局部搜索能力。最后,针对螺旋运动的连续优化问题,考虑了寻优的特点。将螺旋运动融入到原始蝗虫优化算法的挖掘搜索阶段,进一步提高了蝗虫优化算法的局部搜索性能和全局优化性能,有效地平衡了探索与开发过程,避免算法过早陷入局部最优的可能性,获得更优良的结果。本文所提出的基于原始蝗虫的改进算法都被应用于工程问题。面对不同类型的工程问题,改进后蝗虫优化算法可以在实验过程中获得更优越的结果。给工程应用的生产、设计、建造过程环节的优化提供了新的选择。深入理解和掌握设计目标的特性和耦合规律,有利于在保证工程结构安全性的基础上,更好面对结构工程大型化、轻量化的现状。充分发挥技术的节能高效优势,进而实现结构设计及制造过程的优化。