当前社会是一个信息科技迅猛发展的时代，人们在不断的寻求高效的，解决复杂的优化问题的方法。智能优化算法就是启发于自然界中某些动物或昆虫的生活特性所发展起来的优化算法。其中，剑桥大学杨新社教授于2010年提出的蝙蝠算法，是基于蝙蝠所具有的回声定位特性而提出的一种新颖的元启发式优化算法。　　蝙蝠算法结构简单，控制参数较少，鲁棒性小。但其缺点易陷入局部最优，出现过早成熟状态，导致算法收敛精度比较差。基于此，本文尝试对此算法进行深入研究，并进一步拓展蝙蝠优化算法的应用领域。主要内容如下：　　(1)通过深入分析蝙蝠优化算法的优缺点，提出一种基于混沌和差分进化的混合蝙蝠优化算法。首先把基于logistic的混沌序列引入到算法初始化中；然后在算法迭代过程中，通过适应度方差这种早熟判断机制，对早熟的粒子进行差分进化算法的交叉、变异和选择操作；以提高算法的多样性、全局寻优能力，并有效避免陷入局部最优。　　(2)本文针对约束优化问题提出了一种新的改进蝙蝠优化算法。首先采用动态多阶段惩罚函数方法，将约束优化问题转换为无约束优化问题；接着引入惯性权重策略，系统性地调整个体的位置方程；最后分析了更多可能会影响速度的因子进而改进了速度方程，采用可行解优化选择策略引导粒子向最优解方向更快的移动。最后通过对19个标准约束优化测试函数进行试验，结果表明该算法在求解约束优化问题中具有较好的勘探和开发能力。