群智能算法作为优化技术的一种新手段,具有求解速度快,不受实际问题维数与连续性限制等优点,因此对群智能算法的研究,深受国内外众多学者的青睐。猴群算法是模仿猴子爬山过程的新型群智能算法,更新过程操作简易,适应于求解高维数的优化问题。为了进一步提升猴群算法的优化性能,本论文给出了对其改进的两种方案,并且将其应用于求解背包问题。1.提出了基于Levy飞行的广义反向猴群算法,并利用所提出的算法求解折扣{0-1}背包问题。为了提高初始种群的质量,在猴群算法的初始化阶段,利用广义反向学习策略对初始种群进行广义反向变换,在初始种群与反向种群中选择适应性较强的个体组成新种群;在爬过程中,将猴群算法固定的爬步长替换为非线性递减爬步长,让猴群的爬步长随总迭代次数的增加呈非线性递减趋势,来平衡算法求解实际问题时寻优速度与求解精度的双重要求;在望过程中,利用Levy飞行策略替换掉猴群算法的望过程,让猴群个体之间协作更新,来扩大优秀猴子在种群中的影响力。在数值实验中,利用所提出的算法对基准测试函数进行寻优,且将其与所涉及到的对比算法进行比较,结果表明所提出的算法的求解精度最高。同时利用所提出的算法和对比算法求解折扣{0-1}背包问题,结果显示提出的算法具有较高的求解精度和较好的鲁棒性。2.提出了基于Lagrange插值的学习猴群算法,并利用该算法求解具有单连续变量的背包问题。为了提高算法的收敛速度,在基本猴群算法的望过程中,引入学习因子,重新定义了视野长度,构造出学习望过程;在跳过程,将当前种群中最优的个体作为第二个支点,采用双支点跳过程来增加种群的多样性;在跳过程之后,进行Lagrange插值操作,进一步在最优解的周围挖掘潜在解,从而提高了算法的求解精度。最后,利用所改进的算法对基准测试函数和具有单连续变量的背包问题进行数值仿真实验,并与所涉及的对比算法进行比较,结果显示所改进的算法性能最优,求解效果稳定,达到了算法改进的目的。