针对人工蜂群算法在求解函数优化问题中存在收敛精度不高、收敛速度较慢的问题，提出了一种改进的增强寻优能力的自适应人工蜂群算法。该算法利用逻辑自映射函数产生混沌序列对雇佣蜂搜索行为进行混沌优化，并引入萤火虫算法中的自适应步长策略动态调整观察蜂的搜索行为，从而提升了算法的局部搜索能力。基于标准测试函数的仿真结果表明，改进后的人工蜂群算法在寻优精度和收敛速度上均有明显提高。

花朵授粉算法是最近出现的一种新型元启发式群智能算法,已在无线传感网等应用领域取得了较好的成效,但也存在易陷入局部极值且演化后期收敛速度慢等缺陷,使其应用范围受到限制.针对该算法存在的不足,提出一种把复合形法的思想融入到花朵授粉算法中的混合算法.该算法首先计算当前种群的形心,然后依据形心将进化中最差的个体进行反射,把差的个体变成较好的个体,从而引导当前个体不断靠近最优解.通过10个标准测试函数的仿真实验,仿真结果表明,改进算法解的质量及收敛速度比基本的花朵授粉算法、蝙蝠算法及粒子群算法有较大幅度的提高.同时采用改进算法对非线性方程组问题进行求解,通过2个算例仿真实验,验证了改进算法的有效性,扩展了花朵授粉算法的应用领域.

粒子群优化算法的核心思想是每个粒子根据自己和周围粒子的“信息共享”寻优，达到全空间搜索最优解的目的。收敛速度快，全局寻优能力强。针对基本粒子群算法寻优精度较低，结果易发散的缺点，提出了一种参数自适应调整和边界条件约束的粒子群算法，惯性权重，学习因子随着迭代过程线性递加或递减，从而在算法初期个体能搜索整个空间，后期能够朝着全局最优值收敛而找到全局最优值。同时设置粒子边界条件约束，保证算法寻优解的准确性。理论分析和数值仿真结果表明了所设计方法的高效性，在保证算法效率的前提下，有效地提高了算法的寻优精度。