2010年,剑桥大学学者YANG教授基于蝙蝠的回声定位理论提出了蝙蝠算法(Bat Algorithm,BA)。BA算法主要通过改变声音的响度、脉冲发射率和频率来搜索最佳蝙蝠的位置,其具有控制参数少、寻优速度快、且易于实现等特点。BA算法是一种新颖的、搜索全局最优解的有效方法。但从蝙蝠算法本身的迭代机制而言,蝙蝠算法存在着后期收敛速度慢、收敛精度不高、易陷入局部极小点等不足,所以基本蝙蝠算法仍有很大的研究价值。对于无约束优化问题,本文分别使用高斯扰动、最速下降法、Lévy飞行三种方法来改进基本蝙蝠算法,提出了三种改进的蝙蝠算法。针对基本蝙蝠算法没有对蝙蝠速度进行越界处理与其在局部搜索阶段扰动的不充分性产生的易陷入局部最优的不足,提出了基于速度越界处理与高斯扰动的改进蝙蝠算法,保证了蝙蝠算法能够具有更好的全局搜索能力;针对基本蝙蝠算法在局部搜索阶段产生的蝙蝠位置不一定比全局搜索阶段产生的蝙蝠位置要更好的不足,提出了基于速度越界处理与最速下降法改进的蝙蝠算法,克服了蝙蝠算法局部搜索阶段的不确定性;针对基本蝙蝠算法在全局搜索阶段后直接进行局部搜索阶段产生的全局搜索不充分的不足,提出了基于惯性权重和Lévy飞行的改进蝙蝠算法,避免了蝙蝠算法陷入局部最优;上述提及的三种改进的蝙蝠算法,第一种与第三种是增强其全局搜索能力,第二种是改善其局部搜索能力,通过无约束优化测试问题对三种改进的蝙蝠算法进行数值实验,结果表明三种改进的蝙蝠算法相比基本蝙蝠算法和其他一些优化算法所得的解的精度更高,且具有更小的均方差。对于约束优化问题,本文在基于惯性权重和Lévy飞行的改进蝙蝠算法的基础上,引入了一种将约束优化问题转化为界约束优化问题的方法:增广Lagrange乘子法,提出了基于增广Lagrange乘子法的改进蝙蝠算法。采用约束优化测试问题对其进行数值实验,结果表明改进的蝙蝠算法和其他解决约束优化问题的优化算法相比求解的精度更好,且具有更小的均方差。