智能优化算法通过模拟或揭示某些自然现象及过程,从生物群体的智能行为发展而来的。由于算法结果不依赖于初值的选取,并且对优化的目标函数没有连续、可微等要求,具有全局、并行高效、较强的鲁棒性和通用性等优点,所以,对群智能算法的研究成为当今具有重要理论意义与实用价值的课题之一。本文对近年来群智能优化算法在全局函数优化方面的做了详细研究,工作安排如下:首先,提出模拟烟花爆炸现象的烟花算法(FA),作为一种新型的并行弥漫式搜索算法,它通过调整烟花的爆炸方式使算法的全局探索和局部搜索能力达到均衡。通过对FA的初始烟花和子代火花进行参数设置,验证FA的寻优性能;提出了FA-SFLA混合算法,混合蛙跳算法分组策略的引入,使FA更好地跳出局部最优,并加快了全局搜索能力。仿真结果表明参数对FA的优化性能有一定影响,混合算法极大地提高了函数优化的求解精度和收敛速度。其次,提出以引力定律为基础的万有引力搜索算法(GSA),对其基本原理、算法流程加以论述,对核心参数的合理设置进行分析,通过对测试函数进行仿真来验证其优化性能;提出4种改进的GSAPSO算法,针对GSA存在局部搜索能力差、收敛速度慢的缺点,文中引入微小常量更新策略,增强速度、加速度及最优个体位置更新功能,利用PSO算法来优化GSA的速度和位置,提高寻优效果。仿真结果表明,优化设置GSA参数能够灵活地提高算法的抑制速率并且是提高解的准确性,改进后的GSAPSO很好的弥补了原算法的不足。最后,提出生物地理优化算法(BBO),根据栖息地之间物种迁移来完成信息流通和共享,通过提高栖息地的适应性而实现全局寻优。对BBO的设计原理、算法流程进行了全面分析,提出基于BBO算法的函数优化并与其他群智能算法进行比较;基于BBO算法的种群自适应迁徙机制,参考相关文献给出7种迁移率模型,完成不同迁移方式对算法性能影响的分析与比较;为了验证高次非线性迁移率模型的优化性能,提出8种混合迁移模型;将混沌映射与BBO最优迁移模型相结合,提出混沌生物地理算法(CBBO),比较各模型在各映射下对函数的优化性能。仿真结果表明,BBO算法具有良好优化性能,接近自然规律的迁移模型无论是高次还是与混沌映射相结合,都具有寻优精度高和快速收敛性。总之,通过仿真表明了三种群智能算法参数设置以及与其他算法结合进行函数优化取得的良好寻优效果,对于求解复杂问题及其实际应用具有重大意义。