随着信息技术的发展,计算机、人工智能、通信、自动化等领域出现了许多优化问题,简单的方法（牛顿法、梯度下降法、共轭梯度法）已无法适应快速求得最优解的要求。因此将群智能优化算法用于此类问题的研究上已受到越来越多学者们关注的问题,群智能优化算法的核心源于对自然界生物行为的模拟,通过在全局探索以及局部开发中寻找最优值,得到最优解。与其他算法比较,群智能优化算法结构简单、通俗易懂、效率高并且易实现。但传统优化算法会存在一些缺陷,导致算法收敛精度不高、速度过慢。虽然原理简单易实现,但也存在许多不足之处,本文主要从理论与应用方面进行研究,研究内容如下所示:设计一种精英扰动反向学习和动态螺旋更新的改进算法（OWOA）,首先,采用反向学习策略对种群进行初始化,进行排序获取精英值,再对精英鲸鱼进行随机扰动,避免陷入局部最优解。其次,采用动态螺旋策略对位置进行更新,使鲸鱼算法的螺旋形随迭代次数的变化而变化,提升算法的寻优精度。最终,实验在函数测试集验证下,获得了良好的效果。设计一种基于自适应权重与混沌因子的海洋捕食者算法（ACMPA）,首先,通过改进的自适应权重策略平衡算法的探索与开发阶段,同时提升算法整体性能。其次,使用Logistic混沌因子代替随机因子,利用混沌因子遍历性使捕食者更容易跳出局部最优,增强算法寻优能力。设计一种融合Tent混沌与非线性收敛因子的鲸鱼优化算法（TWOA）,首先采用Tent混沌映射遍历性的特点使鲸鱼种群在随机游走阶段个体分布更均匀,可对全局进行有效搜索,接着在算法中引入非线性收敛因子,使算法在探索阶段搜索更全面,提升算法寻优精度。实验结果表明,该算法再加入改进策略后整体性能有很大提升。设计一种基于改进的鲸鱼优化的跟踪器（TWOA）,将改进的鲸鱼优化算法作为目标跟踪中的搜索策略,并对该应用进行了实验验证,实验表明,所提出的跟踪器在跟踪中有良好的效果。本文围绕鲸鱼优化算法与海洋捕食者算法展开研究,重点放在如何提升算法在全局阶段的搜索能力,提高种群个体在未找到最优解时如何跳出局部最优,并将改进的鲸鱼算法应用于电力视觉跟踪技术中。