最优化问题是人们在科学研究和工程实践中经常遇到的问题。最优化的目的是对于给出的实际问题,从众多方案中选择出最优方案。随着人类社会的进步和探索改造世界步伐的加快,各类最优化问题层出不穷且日益复杂,为解决这些最优化问题而开发新型智能优化算法以及改进算法优化性能成为科学及工程领域的重要研究方向。随着信息技术和人工智能的高速发展,对智能优化算法的研究在新型算法设计、算法性能改进、算法应用拓展和算法理论体系完善等方面取得了一系列新成果。本文的主要工作:分布估计算法具有较强的全局搜索能力,但是局部求精能力一直是其一个短板。为了解决这种问题,引入遍历性强的混沌算法与之结合,提出一种结合混沌算法的混合MIMIC算法(CS-MIMIC)。从验证结果可以看出,该算法可以找到无约束测试函数的最优值,并且在高维测试中具备较好的寻优能力,是一种有效的优化方法。然后在CS-MIMIC算法基础上,引入变尺度搜索算法,可以缩小搜索区间,直至找到最优变量。可以从验证结果看出,该算法可以收敛到无约束测试函数的最优解,并且在精确度和稳定性方面有所提高。在CS-MIMIC算法中引入Minmax算法,首先将约束函数转化为无约束函数,然后用CS-MIMIC算法进行求解。可以从验证结果看出,该算法可以收敛到约束测试函数的最优解,是一种解决约束问题的有效算法。混沌算法具有搜索能力快,遍历性高的特点。在此基础上,引入贪婪模式算法,提出HCGSM算法。目的是搜索一个变量的最优排列,使被选择的优良解集的概率分布与定义的概率分布最接近,从而得到最优解,进而加强了混沌算法的局部搜索的能力。将算法应用于无约束优化问题,数值实验证明,该算法快捷高效,是一种有效的优化算法。在HCGSM算法中引入罚函数法,使得算法可以应用于非线性约束优化问题,数值实验证明,该算法可以收敛到满足约束条件的全局最优解,是一种有效的优化算法。