群体智能算法作为人工智能的一个分支,一直是计算机领域的研究热点。该类算法在求解函数优化问题与离散型云任务调度问题时取得了较好的表现,已经成为求解这两类问题的主要方法。近年来,国内外学者通过模拟不同种类动物的协作行为,提出了多种群体智能算法,然而这些算法中的个体缺乏学习能力,影响了它们求解优化问题的性能。因此如何提升群体智能算法求解这两类问题的性能成为一个关键科学问题。社会学习算法范型(Social Learning Optimization Algorithm,SLO)是一种模拟人类社会智能演化过程的新型群体智能算法,符合人类社会智能演化的自然规律。SLO算法的模拟对象是具有最高智能水平的人类社会,并且引入了学习机制,具有较好的优化能力。目前,关于SLO算法的研究与应用工作还比较少,为了更加高效地求解函数优化与云任务调度的算法,本文基于社会学习算法范型,针对函数优化与云任务优化调度问题的特征,设计了具体的优化操作,形成用于求解这两类优化问题的改进型SLO算法;通过与其他算法对比,得出本文所提出的方法具有较好的全局寻优能力与收敛速度,能够有效提高问题的求解精度。本文的主要研究工作有以下两点:1.面向函数优化的社会学习算法研究。针对函数优化问题,基于SLO范型,提出了面向函数优化的社会学习算法。结合函数优化问题的特性,分别设计了社会学习算法中三层进化空间的操作算子;在观察学习操作算子中加入惯性权重与学习保留因子,在一定程度上增加种群多样性,加速种群收敛速度;模仿学习中采用变动的步长控制减少优秀个体模仿学习的干扰。最后通过实验结果表明,本文所提出的面向函数优化的SLO算法在求解函数优化问题时具有较好的性能。2.基于改进SLO算法的云任务调度方法研究。本文首先对云任务调度问题进行了数学建模,通过分析该问题的特点,利用Small Position Value(SPV)方法对问题的解空间进行了映射,并设计了用于云任务调度的操作算子,形成了用于求解云任务优化调度问题的改进型社会学习算法;最后,基于Cloud Sim仿真实验平台对本文所提出的方法进行验证与分析,通过与已有的研究工作相比,得出改进的SLO算法在求解该问题时具有较好的效果。