随着计算机科学技术的发展,许多模拟自然现象的智能优化算法逐渐取代传统的数值优化方法,成为解决复杂实际优化问题的主要方法。对于传统数值优化算法的计算缺点,如求解复杂的导数或梯度、对初始值的敏感,智能优化算法能够很好地克服并且能够快速地寻找出较好的解。和声搜索算法是新近提出的一种全局智能优化算法。本文对和声搜索算法进行了总结、分析、改进和应用研究。首次系统全面的总结了最近几年和声搜索算法的研究现状。从算法的优化性能改进研究和算法的应用研究这两个大方向对和声搜索算法进行了综述。算法的优化性能改进研究分析了算法参数的设置、创新算子的设计以及与其它智能算法的融合。算法的应用研究集中于具有代表性应用领域包括工程优化问题、电力系统经济调度问题、信息网络优化和神经网络训练、多目标优化和离散优化应用以及其它应用领域。提出了一种学习型和声搜索算法(LHS),该算法自适应设置参数HMCR以及动态调节PAR,修正了HS算法对参数敏感的不足；融合差分学习操作,增加种群的多样性,增强算法的全局搜索能力。通过大量的数值测试实验,结果表明,LHS算法比基本HS算法以及两种改进的HS算法要好。LHS算法从整体上提高了和声搜索算法的寻优精度。另外,通过实验分析了参数对LHS算法优化性能的影响,进一步探索了LHS算法的优化潜力。将LHS算法应用于0-1背包问题。文中选取了经典的10个0-1背包问题,以及10个大维数0-1背包实例,通过仿真测试,结果表明LHS算法所取得的结果要优于其它算法。为了进一步研究LHS算法对于解决0-1背包问题的有效性,本文针对参数对LHS算法优化性能的影响进行了分析,表明参数在一定程度上能够促使LHS算法快速寻找到全局最优解。