猫群算法(Cat Swarm Optimization, CSO)来源于对猫科动物行为的观察,是一种新的群体智能算法。CSO具有原理简单,不易陷入局部最优,收敛速度比较快的特点。该算法已经在函数优化,图像处理,模式识别,神经网络训练等领域获得了一定应用并且取得了较好的效果。CSO的提出比较晚,在其理论分析和实践应用方面都尚未成熟,有很多问题值得进行研究。本论文首先介绍了CSO的基本形式,执行的基本流程,探讨了CSO与粒子群(PSO)的相似之处与区别。围绕CSO收敛性能和种群多样性等特点,就如何改进传统的CSO算法进行了研究。本文的主要工作有：1、提出分数阶猫群优化(FCSO)算法。针对CSO跟踪模式中速度更新公式中惯性权重的不足,使用高阶分数阶(Fractional-order)微分算子作为惯性权重函数,通过调整分数阶算子的大小来指导算法的收敛。根据实验调试总结,提出了惯性权重函数的选取原则。算法测试显示,该算法具有较高的精确度,在高维函数寻优时,一定程度上克服了传统算法的早熟问题并且具有更快的收敛速度。2、提出周期变异猫群优化(VMCSO)算法。通过对CSO的跟踪模式中速度更新公式和位置更新公式进行数学分析,发现其轨迹被限制在跟最优值有关的中心点附近,在全局搜索中缺少了种群多样性。该算法通过周期性的对种群位置进行变异,增强了种群的多样性,从而加快了收敛速度,增强了解的精确性。