在生活与科学研究中处处存在优化问题,处理优化问题有多种方法,其中最有效的方法之一就是群体智能算法。群体智能算法的主要思想来源于大自然生物群体行为给予人们的灵感,通过在种群中进行分工和合作,遵循特定的规则或行为,寻找最令人满意的最优解决方案。因其对适应度函数无要求、对初始解的优劣不敏感、鲁棒性强、具有一定的拓展性等优点,被广泛并成功地应用在求解各类复杂的优化问题中,具有重要的现实意义。麻雀搜索算法（Sparrow Search Algorithm,SSA）是一种较为新颖的群体智能优化算法,该算法因其所调参数少,搜索速度快,精度高等特点被成功应用于多个领域。但经过研究发现其搜索能力与鲁棒性还有很大的优化空间,特别是在处理离散型优化问题时容易陷入局部最优,难以跳出局部极值,并且当适应度函数的最优解不在原点或偏移原点时,其算法性能受到较大的影响。因此,研究并改进SSA算法的理论与数学模型,发展该算法的实际应用对现实中的科学应用和其他领域的优化问题求解都有重要的意义。本文主要针对麻雀搜索算法进行深入地研究与改进并将其应用到实际系统寻优中。主要研究内容如下:1.加入梅特罗波利斯（Metropolis）接受准则优化SSA算法,提升处理离散型优化问题的能力SSA算法在处理不连续型的高维优化问题时,容易早熟,寻优能力下降,例如求解旅行商问题（Travelling Salesman Problem,TSP）时,算法容易过早收敛,随着城市数量的增加,该算法寻优路径变得混乱。针对以上问题,提出了使用Metropolis接受准则改进SSA算法并应用于TSP问题（An enhanced Sparrow Search Algorithm with Metropolis method for Traveling Salesman Problem,MSSA）。MSSA算法在搜索过程中对较差的解使用改进的Metropolis接受准则,即劣解不会被直接抛弃,而是采用动态的概率接受劣解。通过实验仿真表明,引入的Metropolis准则能有效的提高SSA算法处理不连续问题的能力,同时,算法寻优能力与鲁棒性得到加强。2.提出多策略改进的SSA算法,优化算法的寻优方向SSA算法提出时,其使用的基准测试函数的最优解位置几乎都在原点或原点附近。对于经典的SSA算法,当最优解不同程度地偏离原点时,算法搜索能力均受到不同程度地影响,搜索结果精度低,缺乏自适应性。在对SSA算法模型进行深入地研究之后发现SSA算法有两个收敛方向,一个是原点方向,一个是最优解方向,并且在求解最优解偏离原点的函数时,算法容易陷入局部最优,后期搜索出现停滞。针对这些缺陷,提出一种使用多策略改进的SSA算法（An Improved Sparrow Search Algorithm with multiple strategies,ISSA）,通过优化算法自身的参数、数学模型、动态调整模型规则和引入细菌觅食算法中的趋化思想来优化SSA算法。为验证改进的算法的效果,在仿真实验中,对不同的单峰、多峰测试函数的最优解进行不同程度地偏移,实验表明ISSA算法相较于原SSA算法其搜索能力与鲁棒性均获得了较大提升,并优于其他几个经典的群体智能算法。3.将MSSA和ISSA算法应用到实际的智能组卷系统中将上文不同角度的改进策略融合到一个SSA算法中MISSA算法,并设计一款基于MISSA算法的试题智能组卷系统,该系统为基于Java的Web系统。设计的智能组卷系统可以根据教师的实际考试需求设定不同的考试范围,条件等因素,自动生成符合教师考试目标的高质量试卷。智能组卷系统可以使考试内容更加客观、符合预期,更全面或更具针对性地考查、检测学生对考试内容的学习效果,同时也减轻了教师出题的工作量。智能组卷过程按如下步骤实施:（1）上传题目并设置题目类型、分数、难度、答案等到题库中;（2）设置考试难度、考试范围、试卷总分和试题数量等具体约束;（3）运行算法从题库中抽取试题,生成一套满足以上条件的试卷;最后是对全文的所有研究内容进行了总结,并对本研究内容今后的研究方向进行展望。