近几十年来,优化技术已逐渐成为许多相关学科的重要研究课题,它可以用来解决诸多实际工程问题,其目的是从众多工程问题的解决方案中寻找最优方案。在优化问题的早期研究中,算法的选择通常是以数学为基础的优化算法(如线性规划,动态规划等)。当它们用来解决简单小规模问题,往往能够有效地得到最优解,但随着问题规模和复杂程度地逐渐增大,传统的数学优化算法效率变的很低,以致于无法在有效的时间内得到问题的解,甚至得不到问题的解。而许多的实际工程问题的复杂程度往往都较高,因此研究设计能够有效解决大规模复杂性问题的算法引起了很多学者的注意并成为了他们的研究方向。智能优化算法由此应运而生,并为解决复杂问题带来了新的思路和方法。它是通过自然现象或自然规律的启发而得到发展的,因此又称之为元启发式算法。一些著名的智能优化算法有模拟退火(SA),遗传算法(GA),粒子群算法(PSO),蚁群算法(ACO),和声搜索算法(HS)等。其中,和声搜索算法(HS)是由韩国学者Geem等人[1]在2001年提出的一种新的群智能优化算法,它模拟了演奏家们在音乐创作中对乐队中的每个乐器音调反复调整直到找到完美和声的过程。它具有参数少,易实现,收敛速度快的优点,并已成功地应用于许多优化工程问题。本文首先对和声优化算法的基本流程和基本原理进行了分析和总结,然后从连续型的函数优化(约束和无约束)和离散型的组合优化两个基本问题模型出发,针对特定的问题对基本和声算法进行相应的改进。主要包含以下三方面内容:1、针对无约束的函数优化问题,提出了一种基于淘汰策略,局部搜索策略和锦标赛原则的记忆库选取策略,保证了和声库中具有较高质量的和声拥有较大概率被用来产生新和声;分别对和声算法中的两个重要参数调整步长(bw)和微调概率(PAR)采取了自适应和动态调整策略,保证了算法的高效性。最后通过仿真实验证明了算法的优越性。2、针对约束性函数优化问题,提出了一种改进的惩罚函数法:两阶段惩罚法,这一方法能够充分地利用不可行解中的有利信息,同时具有有效搜索可行解的能力;然后针对两阶段惩罚法的特性,提出了改进和声库选取策略以及参数的动态调整,分别增强算法第一阶段的全局搜索能力和第二阶段的局部搜索能力。最后分别通过仿真实验证明了两阶段惩罚法的有效性和算法的优越性。3、针对多维背包问题,提出一种新的和声产生策略,有效地摈弃了传统和声搜索算法解决组合优化存在的变异机制,有效地提高了算法的性能;然后为了平衡算法的全局搜索能力和局部搜索能力,将果蝇搜索算法(FFO)作为一种局部搜索机制整合到了和声算子中。最后,通过仿真实验证明了算法的有效性和优越性。