群智能优化算法是借鉴了自然界中的一些进化现象和模仿生物群体以及个体间的行为,且用于求解复杂优化问题的仿生类演化算法。猴群算法是一种新的群智能优化算法,它是受到猴子爬山过程中的行为得到启示而设计的。该算法结构简单、参数少和容易理解,目前已被应用于求解复杂的优化问题。但是,该算法在求解某些实际问题时,存在求解的精度不高,易陷入局部最优值的缺点。因此,对猴群算法的进一步研究具有现实意义。本论文主要工作如下:1.给出了基于Sigmoid函数的猴群算法,并利用其求解物流中心选址问题。由于在基本猴群算法中,猴子爬行过程中的行为比较单一,往往影响算法的性能。因而,首先,在算法的初始化中采用混沌变量产生初始化位置,使得初始化猴群位置可以更均匀的分布,避免陷入局部最优值。其次,在该算法的爬过程中采用基于Sigmoid函数的递减因子代替爬步长,从而提高了算法的求解精度。在仿真中,利用经典测试函数进行验证,结果表明所给算法具有良好的全局搜索能力;并将其应用到物流中心选址问题,实验结果说明了改进方法是有效的。2.给出了基于引导因子的猴群算法,并利用其求解0₁背包问题。由于猴子的行为具有一定的盲目性,导致算法寻优的速度减慢。因而,首先,在算法的爬过程中引入引导因子,使得算法随着迭代次数的递增而逐步引导猴子向山顶爬行,这样就提高了算法的局部搜索速度。接着,利用递变的因子替代爬步长,进而提高算法的求解精度。最后,在仿真中,利用经典测试函数进行验证,结果表明所给算法比其它智能算法达到更好的效果;并将其求解0₁背包问题,实例结果验证了所给方法是可行的。