本文主要以2000年以后出现的群体智能算法为研究对象，包括人工蜂群算法、混合蛙跳算法、萤火虫群算法，以高维度、低维度无约束基准函数和二维多峰函数为应用领域。在分析算法的原理的基础上，对这几种算法进行了改进，经过函数实验的仿真来验证改进策略的有效性。本文的主要研究成果与贡献如下：（1）在求解高维函数优化问题时，标准人工蜂群算法的探索性较强然而收敛速度较慢，本文修改了雇佣蜂和跟随蜂的搜索算子，引入了加速系数，改变了雇佣蜂的学习对象，并对跟随蜂的轮盘赌选择方式和侦察蜂的产生方式做了一定修改。通过6个100维基准测试函数的仿真实验，与标准人工蜂群算法进行比较，本文算法可以用更少的进化代数获得更高的收敛精度，验证了改进策略的有效性。（2）在保留了求解高维函数优化问题的标准人工蜂群算法的核心特点的基础上，本文对ABC算法的流程框架做了很大的简化，取消了作用不明显的各种操作，提出了一种简单易实现的蜂群算法，并通过大量实验对比研究了适合本文算法框架的搜索算子。提出的新算法参数极少、速度很快、不需要较大的群体规模和较长的进化代数，经过6个高维基准函数的测试验证，表明了本文算法的优秀性能。（3）混合蛙跳算法在求解函数优化问题时效果较差，搜索速度和收敛精度差强人意，为了提高标准混合蛙跳算法的搜索能力，本文在尊重原算法框架的基础上，从全局探索性、局部开发性、降低群体规模等方面提出了改进方案，验证了改进策略的有效性，并结合以上改进提出了一种综合性能优秀的混合蛙跳算法F_SFLA，对典型的10个基准函数进行仿真实验中，F_SFLA都可以很快收敛到全局最优解，并能够获得较好的开发精度，表现出高效的收敛能力和广泛的适用性。（4）萤火虫群优化算法在求解多模态函数问题时往往需要较大的群体规模才能得到满意解，本文以减弱初始分布的影响为切入点，提出了在进化初期赋予萤火虫个体自学能力的策略，并且通过改变荧光素的更新和移动方向的选择等操作，缩减了个体间信息交流的成本。经过几个有代表性的多峰函数仿真测试，以及与其他相应文献的比较，可以看出本文算法节约了群体规模，缩减了进化代数，参数少，鲁棒性强，捕峰数目全，收敛精度高，在多模态函数优化领域具有极大的成本优势。