群体智能是优化技术的一类,已广泛解决管理领域的优化问题。数学或统计方法往往难以解决高维、多模、非线性等复杂优化问题,基于自然启发的群智能算法可以得到近似解,以满足复杂应用的现实要求。树种优化算法（TSA）作为一种群智能算法因其参数少、操作简易等优势备受关注,但在复杂问题求解上,仍存在全局与局部搜索难以平衡、局部搜索易于滞陷、全局搜索过早收敛等问题。为解决上述问题,本研究提出三种改进算法,并通过实际工程设计应用加以评估。改进算法一、fb＿TSA:基于反馈机制的树种优化算法。树种优化算法中存在反馈机制缺失的设计问题,表现为:一是搜索趋势参数ST固定,未实现搜索过程的自适应;二是种子产生机制中将种子个数固定化,未实现树与树之间的个性化设置。为此,本文引入反馈机制,一是设计搜索趋势参数ST的动态反馈机制,并提出st＿TSA算法;二是设计种子数ns的动态反馈机制,进而提出ns＿TSA算法。在上述两个基于反馈机制的算法基础上,引入种子迁移机制,最终提出fb＿TSA算法,实现全局与局部搜索的自适应平衡,避免全局搜索的过早收敛。改进算法二、TSA-BOA:基于树种和蝴蝶的集成优化算法。树种优化算法种子产生机制与树更新机制上存在内生缺陷,表现为:一是种子与树存在多对一关系,容易陷入局部最优;二是树的更新仅限于种子后代的更替,若无优秀后代,其树则面临长期难以更新的困境。为此,本文在种子产生机制和树更新机制上,受蝴蝶优化算法的启发,一是引入香气传播机制;二是引入优选思路,筛选优质树,从而解决原树种优化算法在树与种子更新上的内生缺陷,提高全局搜索能力。改进算法三、sinh TSA:基于候选和收缩机制的树种优化算法。由于树种优化算法基于均匀分布更新种子位置,导致该算法难以在高维优化问题上实现快速收敛,又因仅保留单一最佳树位置,存在多样性不足的弊病。为此,一是引入候选机制,确保最优解不丢失;二是基于sinh函数,重新设计种子位置更新方式,优化收缩机制,从而弥补树种优化算法求解高维问题上的不足。为评估所提出的三种改进算法性能,本文基于IEEE CEC 2014和IEEE CEC2017标准函数测试集,与多个树种优化算法变体,以及当前较为前沿的群体智能算法进行对比实验,并应用于实际非线性工程设计问题。上述实验的结果既证明了三种改进算法创新的有效性;又证明了其在优化管理上具有广阔的应用前景。