社会在发展,人类在进步,科学技术这一光鲜的字眼一次又一次地征服我们的眼球.伴随着科学技术不断发展,许多应用性学科也应运而生,并且崭露头角,群智能优化算法就是诸多学科中的一个代表,并且已经成为优化领域研究的热点.许多的群智能算法基本上完成了理论性的证明,而且在处理实际的优化问题上已经得到了广泛的应用.针对算法本身而言,群智能优化算法具有潜在并行性的特点,为处理大规模数据提供了一个根本保障.2003年,我国著名学者周永华,毛宗源等人模拟人口随优惠区域而进行迁移的原理创建了一种新型智能算法——人口迁移算法(Population Migration Algorithm,PMA).经过大量的理论证明和实验验证得出,PMA与传统的智能优化算法相比,在解决函数优化和动态求解等问题上,有着很好的收敛能力和较强的鲁棒性.但是由于PMA本身在人口迁移过程中对信息的交流不足,仅限于在优惠区域内随机撒点然后收缩优惠区域,没有采取较为有效的方式使搜索向最优解靠近,这会导致算法的精确度不足,致使算法陷入局部最优的可能性增大.为了使算法功能完备,本文对PMA的研究在理论和实践中都是很必要的.针对PMA在实际求解中的不足,本文做了比较深入的学习和研究,提出了相应的改进策略,并且给出了测试函数的仿真实验,得到了令人满意的效果.主要的工作内容概括如下几个方面:首先,由于PMA在求解相对复杂的函数优化问题时,存在收敛精度不高和易陷入局部最优的缺陷,我们利用蝙蝠算法和交叉算子对PMA的人口迁移部分进行改进,增加了种群多样性,有机融合后的改进算法具有更好性能,有效地避免了早熟的发生,这说明这样的改进策略提高了PMA求解复杂优化问题的精度和效率.其次,运用几种复杂的测试函数进行仿真实验,通过将改进算法与所给函数在其他算法中的数据结果进行比较,表明改进的PMA获得准确解的成功率比其他算法都高.而整个算法的运行过程也表现出改进的PMA算法具有较强的稳定性、鲁棒性和全局搜索能力.