启发式算法是受生物包括人类处理事务的思想启发,设计出来的模仿生物种群行为的智能算法。传统的精确求解算法,在面对一些复杂的NP问题时,往往难以求解。启发式算法则可以在有限的时间空间成本下给出优化问题一个可行解。狮群算法是近年来研究人员模仿狮群行为设计创造的一种启发式算法。不同身份的狮子具有不同的行为,狮王引领方向,母狮合作捕猎,幼狮在狮王附近进食,学习母狮的捕猎、或被驱逐出领地成为流浪狮。相比于一些经典启发式算法,狮群算法包括不同子种群之间的信息交流,且方式更加多样,机制更加灵活。本文针对连续型和离散型应用问题的特点,对狮群算法加以改进,利用改进算法解决相关问题。连续型优化应用问题,优化个体的自变量的定义域为连续的实数域。针对狮群算法位置更新公式对于原点对称定义域敏感,且易陷入局部极值的问题,提出了改进的狮群优化算法。结合海鸥算法的迁徙和螺旋搜索行为,避免狮子位置发生碰撞,同时提升了狮群算法的搜索精度;结合监督机制,避免算法长时间陷入局部极值,浪费计算力。改进狮群算法在国际标准测试函数集CEC2017上进行测试,寻优效果优于对比的启发式算法。对于房屋价格预测问题,采用BP神经网络方法进行解决。针对BP神经网络对初值敏感且易陷入局部极值的缺点,采用狮群算法优化BP神经网络的权值和偏置。实验采用在网络上抓取的青岛即墨房价数据集进行训练测试,实验证明模型效果较好。离散型优化应用问题,其优化个体的编码方式为离散的整数序列。原始的狮群算法自变量定义域为连续实数区间,在这种情况下并不适用。车辆路径规划问题优化的是整数序列,简单将优化变量转变为二进制数的方法也并不试适用。因此保留狮群算法的基本框架,结合多邻域结构交叉机制和多样性度量机制设计了一种离散狮群算法。具有装载和载重双重约束的车辆路径规划问题,约束条件增多,要求算法具有强全局搜索能力且有跳出局部极值的能力。采用改进的狮群算法和最少开放空间方法相结合,同时采用先验证再装载的策略,避免反复调用装箱模块,降低算法效率。实验在国际经典数据集上进行测试,结果证明算法能够取得较好的效果。