智能优化算法因其独特高效的运行机制在求解复杂工程优化问题中表现出明显的优势,已经成为了智能优化计算领域的研究热点。回溯搜索优化算法(Backtracking Search Optimization Algorithm,BSA)是近几年提出的一种基于种群的新型智能优化算法,该算法具有结构简单,待定参数少,记忆历史种群以及较强的搜索能力等优点,引起了学者们的广泛关注。目前对BSA算法的研究还处于初步阶段,相对于一些经典的优化算法,其理论还不够完善,工程应用还有待拓展,算法自身存在搜索时间较长,容易陷入局部最优等不足。本文在现有回溯搜索优化算法的基础上,研究提高其性能的若干改进方法,并将改进的算法应用于不同的实际问题。论文的主要研究内容如下:(1)针对基本BSA收敛速度较慢,种群多样性容易丢失等缺点,提出了一种基于最优个体引导和小生境技术的BSA算法(GNBSA)。该方法首先在BSA的变异操作中引入向最优个体学习策略,以提高算法的收敛速度;其次,设计一种新的小生境排挤技术,根据每个个体到其他个体距离的平均最小值确定小生境半径,排除部分相似性较高的个体;结合群体当前的最差信息,设计一种新的变异方法产生一定数量的新个体补充到新的种群中,维持群体数量的恒定并增强群体多样性。典型函数优化仿真结果表明,改进的BSA算法充分考虑了算法的收敛速度和群体的多样性,较好地平衡了全局寻优能力和局部寻优能力,提高了传统BSA算法的性能。(2)针对BSA算法收敛精度不高,缺乏学习能力等不足,提出了一种学习型回溯搜索优化算法(LBSA)。该算法借鉴了TLBO算法的学习思想,设计两种新的变异算子,一方面将当前代的全局最佳信息和BSA中的历史信息进行结合产生变异个体,另一方面通过向当前代最优个体和随机选择的其他个体学习,并排斥最差个体的方法产生变异个体。群体中,每个个体以随机概率选择其中一种方法进行变异。新的算法在CEC2005函数集上进行测试,结果表明LBSA的收敛精度得到了明显的提升。(3)为了拓展BSA算法的应用领域,将前两章改进的两种算法GNBSA和LBSA分别应用于混沌时间序列预测和非线性系统建模问题中,并与其他相关算法进行比较,结果表明两种改进的算法都取得了较好的效果。进一步验证了改进算法的有效性。特别是针对菜鸟网络物流库存优化与销量预测的问题,提出了一种基于混合回溯搜索算法(HBSA)优化前馈神经网络的商品销量预测模型。在此模型中,通过融合特征提取、神经网络和混合优化算法,实现对商品销量的准确预测。以阿里天池平台提供的商品交易数据为研究对象,验证了模型的有效性,为商品销量预测提供了一种有效的方法。综上,本论文对BSA算法进行了较为全面的深入研究和分析,不但提出了若干有效的改进方法,而且拓展了算法的应用领域。为今后BSA算法的研究提供了借鉴和参考。