优化问题广泛地存在于科学研究和工程实践中。群智能优化算法是优化算法中最新的一个分支,也是最热门的发展方向。群智能优化算法是通过模拟自然界中生物间相互合作、共享信息等群体行为而建立起来的随机搜索算法,相较于经典优化算法具有结构简单、易于实现等优点。不同的群智能优化算法是模拟不同生物行为形成的,所以它们各具特点和适用场景。然而,单一的群智能优化算法均有其局限性,如搜索精度不够高、收敛速度慢、性能受参数影响较大和容易陷入局部最优等。将不同群智能优化算法有机结合,设计混合群智能优化算法是一种提高算法性能的有效方法,具有重要的研究意义。本文的主要研究内容及创新点包括以下几个方面:(1)针对单目标数值优化问题提出了一种基于跟随蜂搜索的自适应粒子群算法(Follower Bee Search Based Adapitve Particle Swarm Optimization,F-APSO)。首先在经典粒子群算法粒子飞行轨迹分析的基础上提出了一种自适应的粒子群算法(Adapitve Particle Swarm Optimization,APSO),提高了算法在求解单峰问题时的性能。然后提出了一种针对自适应粒子群算法的稳定性分析方法,基于该方法对APSO进行了稳定性分析,给出了能够保证算法稳定的参数取值条件。接着通过引入人工蜂群算法中的跟随蜂搜索,提高了算法的开拓性,并将APSO的稳定性条件拓展到了 F-APSO中。仿真实验表明F-APSO在求解单目标数值优化问题时在解的质量和时间消耗上都具有良好表现。将F-APSO用于解决矿山生产排程优化问题,与原有生产方案相比优化后的方案在不同铁精矿价格下都能获得更多的经济收益。(2)针对多目标数值优化问题提出了一种基于跟随蜂搜索的自适应多目标粒子群算法(Follower Bee Search Based Adapitve Multi-objective Particle Swarm Optimization,F-AMOPSO)。多目标优化问题不存在唯一的最优解,而是一组不能相互支配的非劣解。这就造成求解单目标优化问题的优化算法不能直接用于求解多目标优化问题,而是要针对多目标优化问题的特点进行改造,形成新的多目标优化算法。本文通过修改局部最优解更新机制和提出基于非劣解距离的跟随蜂选择机制和搜索范围调整方法等手段,将本文所提单目标混合粒子群算法改造为一种多目标粒子群算法。并通过仿真实验说明该算法具有良好的收敛性和均匀分布性。最后,将F-AMOPSO用于以精矿产量和单位精矿变动成本为目标的多目标矿山排程优化中,取得了优秀的实用效果。(3)针对典型组合优化问题TSP问题(Traveling Salesman Problem)提出了一种带混沌序列的粒子群参数优化蚁群算法(Chaos Particle Swarm Optimization based Ant Colony Optimization,C-PSO-ACO)。首先针对传统粒子群参数优化蚁群算法引入一种全局异步与精英策略相结合的信息素更新方式和减少蚁群算法被粒子群算法调用一次所需迭代代数的策略减少时间消耗。然后利用混沌序列的可控随机性改善算法中的随机因素,解决了蚁群算法迭代代数减少造成的收敛过程不完善,导致算法随机性过强,最终影响求解质量的问题。针对TSP问题的仿真实验说明了改进混合算法可以在大幅减小运行时间的情况下提高解的质量。最后,将该算法用于解决垃圾场巡查机器人路径规划问题,取得了良好的效果。