野草算法是近年来提出的一种简单有效的基于群体策略的新型数值优化算法。由于野草在侵略殖民化过程中体现出较强的鲁棒性、自适应性和随机性，自其提出以来受到国内外学术界和工程优化领域、图像处理、数据挖掘等领域的广泛关注与应用。但由于野草算法本身也存在着收敛速度慢、寻优精度不高等缺点，大大限制了野草算法在各个领域的应用。近年来，针对野草算法的改进是一个比较热门的研究方向。虽然这些研究人员针对基本野草算法进行了大量的改进工作，但这些算法也存在一些局限性。例如，对一些复杂问题容易陷入局部最优，致使求解精度降低;在进化后期算法收敛速度会变降低。针对这两个问题，本文对野草算法进行了比较全面的研究，包括对算法的相关分析、改进以及应用，目的在于完善和扩展野草算法的理论研究以及应用范围。　　本文的研究工作主要包括以下几个部分:　　1)本文对野草算法进行了比较系统而全面的分析，包括算法中所使用的策略、算法收敛性的分析以及控制参数对算法性能的影响等。拓展了野草算法的基础理论研究并且得出了较为合理的参数选择，为后文算法研究过程中参数的选择提供了参考依据。　　2)针对基本野草算法存在的寻优精度不高和收敛速度变慢的现象，提出了一种基于Alopex的改进野草算法。新算法既能有效利用Alopex算法的随机性增加种群多样性，从而提高算法求解精度，避免了算法陷入局部最优;同时，又能利用Alopex算法的启发性，计算个体自变量以及目标函数值的变化情况来确定算法的进一步搜索方向的概率，逐步向目标值逼近，有效提高收敛速度。　　本文通过对13个常用基准函数进行测试分析，得出了有利于算法性能的参数选择。同时，通过对10个常用基准函数和CEC2005中的前10个函数进行测试，并且将其与相关智能算法进行了比较。结果表明，改进后的算法在求解精度、收敛速度以及鲁棒性上都要优于基本野草算法。　　3)针对传统方法常常无法求解工程实践和科学计算中复杂定积分问题，本文研究了野草算法及其改进方法在数值积分上的应用。利用不等距分割方法，即在函数值变化幅度较大的区间段分割成较多较小的区域，在函数值变化幅度较小的区间分割较少，可以获得较高的积分精度。通过对5个数值积分实例进行测试，实例中既包括有较易求得原函数的积分函数，也包括一些复杂的不易求得原函数的积分函数。仿真计算结果表明，该方法可以方便高效地求解数值积分。与一些传统方法相比，用野草算法及其改进算法求解数值积分，计算精度也有了不同程度提高。同时，在某些函数积分问题上要优于其它利用不等距点分割方法的智能算法。这也证实了利用野草算法求解数值积分的方法是一种有效的积分方法，对工程实践有一定的参考价值。