优化是在特定的条件下寻找问题的最优解,是一种应用科学。优化算法的出现目的是为了能够解决现实中遇到的各类优化问题。按优化算法对求解问题的处理方法,可以将优化算法分为确定型算法和概率型算法。传统的优化算法通常根据数学分析的方法对目标函数求极值,但是面对不连续、不可导的函数时,确定型算法束手无策,并且全局搜索能力差,在很大程度上限制了确定型算法的应用。进化算法作为概率型算法的一个重要分支,成为优化算法领域中的一个研究热点。自从仿生学创立之后,许多优化算法的研究者发现,在自然界中,不同的生物种群利用他们本能拥有的社会行为模型可以解决所面临的各种问题,他们具有白组织、自学习和自适应的特点。受自然界的启发,学者们通过对不同生物种群的社会行为进行模拟,设计出简单、通用的群智能(Swarm Intelligence,SI)优化算法。自然界中,群集由多个智能体组成,每个智能体通过遵循本种群的行为规则,并且多个智能体相互协作来使整个群体“涌现”出复杂的行为特征,种群的这种行为特征不是个体能力的简单叠加。通过对不同种群的智能行为进行模拟,研究者们设计出用于求解复杂优化问题的群智能优化算法。近年来,通过对生物行为进行抽象,提出来许多具有代表性的群智能优化算法(粒子群优化算法、人工鱼群算法、蜂群算法、蚁群算法等)。虽然这些群智能算法用于函数优化时能够得到比较满意的结果,但是在寻优的过程中,仍然会表现出不同的缺点,如搜索能力差、收敛速度慢、早熟收敛及搜索停滞等问题,目前没有一种算法可以很好地解决所有优化问题。为此,对现有算法的改进或设计出基于不同机制的优化算法用来解决各种类型的优化问题是非常有必要的。社会力模型是对人群密集场所行人流动进行模拟的仿真模型,当前被普遍应用于人群疏散模拟与分析、建筑安全性能评价、交通枢纽流量的研究分析等领域中。社会力模型定义了行人所受的三种力：(1)自驱动力,表现了环境中目标对行人的内在期望作用；(2)行人之间的作用力,当行人之间的距离很小时,为了避免拥挤而表现出来个体之间的作用力；(3)行人与建筑物之间的力,模拟了行人避免与建筑物发生碰撞的心理。作为多个个体自驱动系统的框架,社会力模型不仅刻画了个体对周围环境的思考和反应能力,同时对个体的心理愿望以及个体的受力情况进行了很好地抽象,形象逼真地描绘了个体运动的整个过程。已有的基于社会力模型优化算法(Swarm Optimization algorithm based on Social Force model, SFSO)对低维多目标函数优化问题得到了比较好的效果。但是在实践中仍然存在很多问题,比如对高维函数求解精度差、收敛速度慢、容易陷入局部最优等。针对现有SFSO算法存在的一些问题,本文采用了一些改进策略。为了验证算法的有效性,选取63个benchmark函数进行测试表明：改进后的SFSO能够使算法在全局搜索和局部搜索中达到较好的平衡,有较强的全局寻优能力,对各类函数有较高的求解精度和成功率。支持向量机(Support Vector Machine,SVM)的参数选取目前没有一个比较好的理论依据,大量实验表明,参数选取不当在很大程度上影响支持向量机的性能。将改进后的SFSO引入支持向量机的参数优化中,实验表明：经过改进SFSO算法优化后的支持向量机,其分类性能有了明显的提高。深度信念网络(Deep Belief Networks, DBN)是一种当今较为流行的机器学习方法,但是采用DBN进行原始数据的特征学习所存在的问题在于DBN结构参数的确定,其中隐含层节点个数的选取是一个人为确定的过程,需要凭借一定的经验。已经有部分研究结果表明：如果参数设置不当,则对于特定的数据集,DBN很难对其数据分布进行正确的建模。凭经验选取的方法不仅耗时,而且很难达到令人满意的结果,因此,利用改进SFSO算法对隐含层节点个数的选取进行优化,力求达到一个较优的DBN结构。