混合蛙跳算法(SFLA)是2003年由Eusuff和Lansey提出的一种基于群体智能的后启发式计算技术，它通过模拟青蛙群寻食的行为来解决最优化问题。由于概念简单、参数少、计算速度快、全局寻优能力强和易于实现等特点，现已被广泛应用于函数寻优、模糊系统控制、模式识别和神经网络等多个领域。　　 然而作为一种比较新的群体智能算法，SFLA算法在系统化和规范化的理论基础研究方面仍处于初级阶段，同时如何将SFLA算法应用于更多的领域以及研究中存在的问题也值得关注。本文从算法原理、算法改进和算法应用等方面对其进行了细致和系统的研究，本文的主要研究内容如下：　　 (1)对群体智能算法的一般框架进行了分析，介绍了SFLA算法、粒子群优化算法(PSO)、人工鱼群算法(AF)和遗传算法(GA)的原理和流程，通过对SFLA、PSO和GA三种算法优化性能的比较，分析了算法中各参数对收敛性能的影响，总结了SFLA算法的优势以及存在的问题。　　 (2)针对SFLA算法容易陷入局部最优而导致收敛速度变慢、搜索能力变差的缺点，提出一种改进的SFLA算法。新算法利用人工鱼群算法(AF)的追尾特性快速向某个极值方向游动，提高局部寻优的速度；利用AF的群聚特性很好地跳出局部极值的吸引，并尽可能地搜索到其他的极值；利用混沌的遍历性和内在规律性代替具有随机搜索特性的AF觅食行为，保证种群的多样性和提高搜索的效率。对复杂多峰函数优化的实验结果表明，新算法有效地提高了种群的多样性，兼顾了全局寻优和局部寻优，表现出了令人满意的优化性能。　　 (3)本文利用改进的SFLA算法训练神经网络，并将训练后的神经网络应用于函数逼近问题。实验结果表明，改进SFLA算法设计的神经网络能显著避免在局部区域搜索过程中的收敛停滞现象，训练结果精度高，即使在测量噪声或随机扰动存在的情况下，仍然可以到达很好的效果。　　 (4)由于改进的SFLA算法具有很强的全局搜索能力，本文利用该算法对PID控制器的参数进行整定，建立以设计参数的取值范围为约束条件，以误差积分性能为目标函数的数学模型。对存在外部干扰系统的控制结果表明，采用改进SFLA算法整定的PID控制器具有良好的鲁棒性、很强的抗干扰性能和满意的闭环控制效果。　　 总之，论文对SFLA算法的理论做了较为全面深入的分析和研究，不仅提出了有效的改进措施，还拓宽了其应用领域。最后对全文的研究内容进行总结，并且对下一步的研究做出了展望。