和声搜索算法是一种新的群智能优化算法,它的思想源于音乐即兴创作,通过每一维变量的调节来寻找近似的最优解。目前,和声搜索算法的理论基础并不完备,且主要应用于连续优化区域,存在寻优精度低,早熟收敛和对离散问题求解效果不佳的缺点。因此,针对和声搜索算法作进一步的改进研究,尤其加强离散问题的应用研究,是具有重要理论意义和实际应用价值的。本论文在前人的基础上,从算法控制参数的调节,搜索策略的改进以及优化思想的引入几个方面对和声搜索算法进行了深入的研究。主要研究工作概括如下:(1)为改善和声搜索算法的优化能力,提出一种反向修正和声搜索算法(OIHS)。OIHS算法引入了反向学习思想,对和声记忆库考虑进行了改进,在一定概率条件下,增加了反向随机解,拓宽了搜索空间;定义了一种用来衡量和声记忆库信息变化范围的参数,并用来自适应调节和声搜索算法的关键参数和声记忆库考虑概率(HMCR)、音调微调概率(PAR)以及音调微调幅度(bw),以更好地满足搜索进程的需要,提高搜索的有效性。数值测试结果表明OIHS算法具有较好的优化性能。(2)提出一种多子群混合和声搜索算法(MHHS)以提高和声搜索算法的搜索效率。该算法基于每个和声到最好和声的距离进行排序,并依据排序结果分层,每一层作为一个独立的子群。不同的子群融合不同的差分调整策略,以拓宽搜索范围;同时建立通信机制,使各子群以一定规格进行信息交流,促进子群的协同进化。实验仿真表明本文算法在寻优精度,收敛性和鲁棒性方面优于文献中报道的HS、EHS、NGHS、MPSO、CLPSO、DE、ODE 和 IABC 算法。(3)为解决复杂、不连续、不可导、非线性的电力系统经济负荷分配(Economic Load Dispatch,ELD)问题,提出了 一种改进的和声搜索算法(Modified Harmony Search Algorithm,MHS),算法中对两个重要的参数音调微调概率(PAR)和音调微调幅度(bw)进行了改进,有效的平衡和算法的全局搜索能力和局部开发能力,在考虑了阀点效应,忽略网损情况下进行了仿真,验证了算法的有效性。(4)提出一种全局竞争和声搜索(GCHS)算法,该算法给出了随机局部平均和声和全局平均和声的概念,建立竞争搜索机制,实现每次迭代产生两个和声向量并进行竞争选择。设计了自适应全局调整和局部学习策略,平衡算法的局部搜索和全局搜索。最后,详细分析了参数HMS,HMCR和PAR对算法优化性能的影响。数值结果表明GCHS算法在精度,收敛速度和鲁棒性方面比和声搜索算法及最近文献中提出的7种优秀改进和声搜索算法要好。(5)为解决和声搜索算法求解高维背包易陷入局部极值的问题,提出一种离散全局和声搜索算法。基于背包问题的特点,结合分布估计算法的概率模型,设计了多选择自适应调整策略,平衡算法的全局搜索和局部搜索。引入精英培养机制,对当前全局最优和声进行重点培养,提高算法逃离局部最优的能力。采用随机修复策略改善和声的可行性,同时提出了一种随机置换策略,增加解的多样性。对多个高维背包问题进行了测试,本文算法同经典的4种离散和声搜索算法进行了比较,验证了本文算法的有效性。(6)提出了一种有效求解二次背包(Quadratic Knapsack Problem QKP)问题的混合多策略和声搜索算法(HMHS)。该算法基于二次背包问题的特点,提出了四种改进策略:①HMHS算法采用了二进制编码,更适合二次背包问题的求解;②设计一种优秀局部均值与全局变量概率分布相比较的和声记忆库考虑策略,运用优秀个体指导搜索方向,通过全局变量概率分布增加优秀变量的存活率,有效提高搜索的有效性,同时提出一种动态的自适应调整方式来确定参数HMCR的值,使其更加适合搜索过程的需要;③改变原有和声的基音调整,混合了教学优化算法的教学思想,通过全局最优及随机和声进行调整操作,提高算法的寻优速度;④基于QKP问题的特殊性,提出了一种简单但有效的修复方法,以保证和声的可行性,增强算法的开发能力和收敛速度。在多组QKP问题上进行了大量的仿真测试,数值结果表明HMHS算法的有效性。最后总结了本文的工作,对下一步的研究进行了展望。