随着社会的发展,工程应用和能源管理等诸多领域所呈现出来的优化问题越来越复杂,传统优化方法处理这些问题变得越来越困难,而具有仿生行为的群智能优化算法具有实现简单、效率高、鲁棒性强等优点被广泛应用在各个领域。蝗虫优化算法是近年来新提出的一种群智能优化算法,已被成功应用在许多现实领域中,但该算法存在易陷入局部最优、收敛速度慢等缺点。因此,针对蝗虫优化算法的这些问题,以提高该算法的性能为研究目标并将其应用在数据聚类中,本文主要提出以下有效的改进算法:(1)提出一种基于差分进化的反向学习蝗虫优化算法。该方法对蝗虫优化算法中每次迭代未能找到更好位置的蝗虫与其它蝗虫进行差分进化,使其增大跳出当前劣势位置,寻找更优位置的概率。最后,蝗虫通过反向学习,增强算法的全局搜索能力。(2)提出一种基于曲线自适应和模拟退火的蝗虫优化算法。该方法首先对蝗虫优化算法中关键参数(8进行改进,然后利用模拟退火算法很强的局部搜索能力和跳出局部最优的能力来加强蝗虫优化算法的局部搜索,避免算法陷入局部最优。(3)为了加强第(1)种改进方法的局部搜索能力,提出基于双差分进化的反向学习蝗虫优化算法。该方法根据每次迭代的蝗虫能否找到更好位置将蝗虫种群分为两个群体,对每个群体使用不同策略的差分进化。除此之外,在蝗虫的反向学习中,如果相反位置的蝗虫不比当前位置更优,就对当前位置的蝗虫进行更加精细的局部搜索。本文对提出的前两种改进方法在函数优化应用上进行了实验验证,最后一种改进方法在函数优化和数据聚类上进行了实验验证,并且都与其它的群智能优化算法进行了对比。所有改进方法都使用了10种测试函数进行测试,在聚类上的应用采用了5种数据集。改进算法使用连续30次实验结果的平均值、方差、最小值和最大值进行比较,在聚类上的应用则使用了F-measure、标准化互信息和兰德指数这三种聚类评估指标。实验结果证明了本文提出的算法在改进和应用上都可以取得很好的效果。