在目前的工程应用与基础科学研究中,许多亟待解决的问题都可以被转变成求解最优化的过程。虽然传统的优化技术可以解决这些问题,但当问题变得更复杂更具挑战性时,它们便很难找到全局最优解。近几年来,随着计算机科学的发展,许多过去人类无法解决的复杂函数优化问题已经可以通过计算机来得到近似解。在求解过程中,人们创造了许多优秀实用的算法。元启发式算法作为一种随机优化策略,因为其能很好地解决复杂优化问题,所以它已成为越来越多研究者的关注焦点。基于群体的元启发式算法的搜索过程一般分为两个阶段:勘探阶段和开发阶段。在勘探阶段,群体中的每个个体应尽可能地随机分配到整个解空间,以寻找搜索空间中其他有希望的区域,对应着算法的全局勘探能力;在开发阶段,算法应深入开发已经区域内更有发展的区域,对应着算法的局部开发能力。然而,绝大多数的元启发式算法都会由于自身原理问题而导致收敛速度太慢,或者过早陷入局部最优解中,这样导致了这些元启发式算法的求解精度不够高,无法满足最顶尖的工程问题。因此,如何合理利用不同搜索机制的优势,平衡勘探与开发之间的问题成为了一个比较有难度的课题。鲸鱼优化算法是近几年提出的新元启发式算法,由于鲸鱼优化算法的原理易于理解,编程易于实现,需调整的参数少以及鲁棒性强,近几年来被越来越多的国内外研究学者关注。因此,本文对鲸鱼优化算法进行了系统研究,针对鲸鱼优化算法的不足,提出了基于全局最优及三阶段非线性收敛因子的混沌鲸鱼优化算法,其主要创新点包括以下三个方面:（1）针对鲸鱼优化算法初始种群分布不均匀和多样性较差的问题,本文结合遗传算法与差分进化算法,提出遗传差分进化算法,并用于选择一个合适的混沌映射来初始化鲸鱼个体;（2）针对线性递减的收敛因子无法很好地平衡勘探与开发能力的问题,本文设计三阶段非线性收敛因子;（3）针对传统鲸鱼优化算法在随机搜索猎物阶段过于发散的问题,本文引入鲸鱼的历史最优位置来代替随机位置。为了验证本文算法的性能,本文提出的算法被测试在23个基准函数上。同时,本文提出的算法与3种传统的元启发式算法和2种已有改进的鲸鱼优化算法进行了对比。通过分析实验结果,证明本文提出的算法具有更好的寻优能力。