乌鸦搜索算法(Crow search algorithm,CSA)是最新提出的一种基于种群行为的智能优化算法。该算法是通过模仿乌鸦种群的觅食行为而建立的。算法结构简单、操作性强,能够解决一些工程优化问题。但是,CSA在面对解决较复杂、高维以及非线性优化问题时,其在寻优精度和收敛速度上存在明显缺陷。因此,本文针对以上不足对CSA进行优化改进,增强算法在复杂优化问题上的寻优和收敛能力,同时提出改进的多目标乌鸦搜索算法并将其应用到化学反应工艺条件优化筛选过程中。本文的主要研究内容如下:(1)针对乌鸦搜索算法在处理复杂优化问题时,难以快速收敛到最优值问题,本文提出了一种改进的基于螺旋搜索机制的乌鸦搜索算法(ISCSA)。通过引入权重系数、最优引导和螺旋搜索机制,调整算法的位置更新策略,用以提高算法的寻优精度和收敛速度。同时加入随机扰动和高斯变异,增强CSA的全局搜索能力。利用不同类型的23个基准测试函数和4个工程设计问题对所提出的ISCSA进行了性能评价和统计学习分析。实验结果表明,与标准的CSA、其他经典优化算法以及最新的元启发式优化算法相比,本文提出的ISCSA具有更高的精度和更快的收敛速度。(2)针对多目标优化问题,在ISCSA研究的基础上,结合多目标优化概念提出一种改进的基于螺旋搜索机制的多目标乌鸦搜索算法(MOISCSA)。为了保证帕累托(Pareto)前沿的最优解的寻优精度和分布均匀性,调整ISCSA的搜索机制。并将变异策略中的随机扰动和高斯变异调整对整个种群的部分个体进行操作,用于提高算法的寻优能力和Pareto解集中解的多样性。为了验证所提多目标算法的有效性,选取6个常用的多目标测试函数与现有的多目标算法进行对比。实验结果表明,本文提出的MOISCSA在多目标优化问题的解决上表现较好,具有较快的收敛速度和分布更加均匀的Pareto解集。(3)为了优化甲酸甲酯(MF)反应工艺条件系统,本文采用MOISCSA对进行MF反应条件系统进行优化。为优化和提高该反应性能,采用四种机器学习方法进行反应系统的模型建立。根据仿真结果选择精确性高和拟合性能优的MF回归模型(多输出最小二乘支持向量机)为基础,利用MOISCSA优化最优的MF回归拟合模型。通过设定优化算法终止条件,调整各项参数和各算子之间的相互配合以优化设定目标值。运行此优化模型,得到优化的最终结果,即找到该反应系统最优的反应条件。利用此反应条件进行实验验证,证明本文方法的有效性。此项工作为提高MF反应效率和优化工艺条件提供科学参考。