优化是应用数学中一个重要研究领域,群智能优化算法是优化中一个重要的研究方向;伴随着计算机技术的发展,群智能优化算法在越来越多的科技领域得到应用和重视。回溯搜索优化算法(BSA)是一种基于种群的进化算法,算法框架与差分进化算法类似,但在变异操作和交叉操作上,与差分进化算法有本质的区别。BSA的变异算子和交叉算子新颖而高效,能很好地平衡开发能力和探索能力,但是BSA仍然存在不足,首先,其变尺度系数有较大方差,会产生规模过大或过小的数值,从而造成收敛失效或加大陷入局部最优可能性,其次,两种交叉策略的随机调用造成搜索一定的盲目性,会降低算法搜索效率.针对这些问题,本文提出几种改进BSA和基于BSA的混合进化算法,并将BSA算法应用于若干实际问题的求解中,主要研究工作如下:本文先以进化算法为切入点,介绍了智能优化算法的研究背景和近年来较流行的智能优化算法及其改进体,然后叙述BSA算法,并将其他群智能优化算法进行对比分析,得出其优缺点。随后,针对BSA算法的不足之处,分别对回溯搜索优化算法(IBSA)的变异算子和交叉算子展开改进:针对BSA变异算子开采能力弱的缺点,提出了一种双历史种群引导模式的新变异算子,能有效地提高算法的开发能力,加快收敛速度,并结合差分进化算法的多种变异算子,对比分析了新变异算子的性能;结合BSA的联合交叉算子特点,设计了基于适应度的智能调用策略,能更有目的地调用两种交叉方式,增加了BSA的稳定性。最后,研究了BSA的实际应用能力,分别为求解调频声波合成参数估计问题,提出基于差分进化算法混合的回溯搜索优化算法,并加入基于适应度的智能调节策略,来调用两种算法;为求解绝对值方程问题,提出基于适应度欧几里得距离比例的BSA算法,采用适应度欧几里得距离比例来选择引导个体从而增加算法全局搜索性能.为求解非线性系统辨识问题,提出一种紧致BSA算法,能快速求解问题.