优化问题在生活中的各个领域都存在,且与我们的日常都紧密相关。近年来,启发式优化算法的出现,丰富了优化问题的理论,且因其实现简单,并具有易扩展、高效等优点,而成为研究的热点。天牛须搜索(BAS)算法也属于启发式算法,是受到天牛觅食行为的启发而提出的。该算法优化机制简单,且实施便捷、运算量小,因此得到了国内外众多学者的关注,并成功应用于多个领域。但BAS算法本身的理论还不够完善,且存在着收敛慢、求解精度低、易陷入局部最优、对参数设置敏感等问题。因此,有必要对其进行更加深入的理论研究。本文在原始算法的基础上针对其缺点做出改进,提出了两种新的算法,并应用于实际的优化问题求解。主要研究工作如下:(1)提出一种基于Lévy飞行与自适应策略的天牛须搜索(LABAS)算法,主要创新点在于:将天牛组成群体,并在种群更新过程中结合精英个体信息,提升算法的收敛速度与稳定性;将Lévy飞行和缩放因子引入搜索过程,增强算法对全局最优解潜在区域的探索;步长方面采用了自适应策略,避免了复杂的调参操作;对于初始种群以及精英个体使用广义反向学习策略,增加种群的多样性。实验表明,LABAS算法具有求解精度高、收敛速度快、鲁棒性好的特点。(2)提出一种具有随机时滞与精英反向学习的天牛须搜索(BAS-RDEO)算法,主要创新点在于:采用天牛群体与精英个体相结合的思想,使得算法变得更加稳定;在种群初始化的过程中加入了混沌映射和反向学习策略,以获得更加均匀和多样的初始天牛种群;步长更新的过程中不仅使用了精英个体的信息,还根据天牛种群的进化状态来自适应的调整所加入的随机时滞信息,从而使算法避免早熟收敛;对精英个体使用精英反向学习策略与领导者多学习策略,很好的提升了算法的全局与局部优化性能。实验结果表明BAS-RDEO算法具有优化精度高、收敛速度快、稳定性好等特点。(3)设计了一系列仿真实验用于验证所提LABAS算法和BAS-RDEO算法的性能。首先,将所提出的改进算法与其他具有代表性的算法在标准测试函数上进行了数值仿真实验,用以对比算法的优化性能。此外,对于实验结果还进行了统计分析、平均收敛曲线绘制、箱形图分析,从而能够较为全面的分析算法的优化能力。其次,将改进算法应用于拉伸/压缩弹簧设计、焊接梁设计、具有大时滞特性的碳纤维生产中的预氧化过程控制。实验结果表明,所提出的改进算法在这些实际应用问题中能取得较好的优化效果。本文所做的研究工作可以为工程以及工业生产中的各类优化问题提供有效的参考。