全局优化算法一直是最优化理论与算法学科中十分重要的分支,按照算法构造的不同,处理全局问题的算法一般可以分成确定性和随机性两类算法.如填充函数法、打洞函法等就是常见的确定性全局优化算法,遗传算法是典型的随机性算法之一.另外,由Csendes提出的多起点聚类全局优化算法(GLOBAL)也是一种随机性算法,该算法通过全局优化阶段和局部优化阶段的交互实现了全局寻优的目的.其自身对目标函数的要求相对较低,能以相对较弱的统计参数给出算法的理论分析并可以有效的解决黑盒问题及导数信息不可得的优化问题.因而,对于工程中出现的一系列复杂的、无法得到显式目标函数的全局优化问题,GLOBAL算法具备明显的优势.在全局优化阶段中有关样本点的选取和“吸引域”的确定以及局部阶段的算法选取是该算法的主要核心问题.因此,如何协调改善全局阶段和局部阶段,使得该算法在一定精度下尽可能的减少计算成本一直是国内外学者所关注的问题.本文旨在学习研究GLOBAL算法的执行过程及实现原理,针对其处理无导数问题所存在的不足,提出一些针对性的改进方案.所做工作概述如下:在全局优化阶段,给出一种有效样本点集T的混合选取策略用以改善原来的选取方法,新的选取策略充分利用了样本点之间的距离和函数值信息.另外,结合单纯形梯度和插值的相关知识,提出一种基于单纯形梯度方向的局部无导数优化方法,从而实现了对局部优化阶段的改进.为进一步减小计算成本,在该局部优化算法的线搜索过程中,构造一种刻画二次插值极小点估值必要性的度量方法,最后给出了收敛性理论分析.通过对一些典型的全局优化问题的测试,并与C-GRASP和DTS(APS)算法的实验结果对比.表明以上改进有效的改善了算法的效率和稳定性,尤其针对“窄谷”类函数,大大减少了函数估值次数.考虑到非单调技术在处理复杂的非线性问题时不依赖具有缺省步长的局部特性,并且有助于跳出函数局部极小点.基于一种非单调无导数线搜索策略,提出一种非单调的无导数局部优化方法,并对其进行了理论分析.结合多起点聚类全局优化算法的全局优化阶段,进而给出了一种基于非单调的多起点聚类全局优化算法.数值实验表明,基于非单调线搜索的多起点聚类全局优化算法在估值次数方面较原算法有了很大的改善,能够快速的找到全局最优解.