群智能算法因其思想简单,通用性好的优势被广泛用于各种优化问题,在工程,经济,科研,医学等众多领域取得了成功。随着科技的不断发展,各种复杂的优化问题层出不穷。一是优化问题维度的提高,导致搜索范围指数式增加,二是优化往往同时涉及多个目标。为更高效地解决优化问题,本文对基本的鲸鱼算法做出改进,并用于解决高维函数优化和多目标函数优化中。文中所做的研究工作如下所示:(1)阐述了高维函数优化和多目标函数优化,分析了这两类问题的局限性和所面临的困境。接着给出了鲸鱼算法的三种位置更新措施,并从探索和开发两个方面分析了原始算法。(2)为解决高维函数优化问题,本文对鲸鱼算法进行改进,给出了两种改进算法,分别是改善的鲸鱼算法(Improved Whale Optimization Algorithm,IWOA)与基于二次插值的鲸鱼算法(Whale Optimization Algorithm Based on Quadratic Interpolation,QIWOA)。算法IWOA将Levy飞行引入原始算法中,其特殊的步长特性增强了算法的搜索性能,同时帮助算法跳出局部最优,提高了算法的收敛速度与多样性;QIWOA算法从探索和开发两大方面进行改进,一方面引进新的步长参数,使算法可以更有效地探索整个搜索空间;另一方面引入了二次插值算法,增强了原始算法的开发能力,提高了所获得解的准确度。仿真实验的结果表明这两种算法不仅在所获得的最优解的精度方面表现出色,而且在收敛到最优的速度方面也表现优异,可以有效地实现高维函数优化。(3)结合已有的方法与策略,对鲸鱼算法进行改进,提出了一种针对多目标优化的性能增强的多目标鲸鱼算法(Enhanced Multi-Objective Whale Optimization Algorithm,EMOWOA)。该算法在帕累托优势的基础上首先将反对学习的思想引入算法的初始化过程中,将相反方向的解纳入到搜索范围,提高算法的多样性;其次引入一种双重领导者选择机制,在该机制中使用拥挤距离与新颖的势能排名两种机制选择鲸鱼算法中的领导者,旨在保证算法的多样性与收敛性;最后在更新外部档案时,采用帕累托优势与拥挤距离两种策略,确保外部档案中非支配解的质量。仿真结果表明,与对比算法相比,该算法在所使用的绝大多数测试函数上都取得了成功,所获得的非支配解在收敛性与多样性方面表现出良好的平衡,是解决多目标优化的有效方法。