灰狼优化算法(Grey Wolf Optimizer,GWO)是一种模仿自然界中灰狼群领导层次和狩猎机制的新兴群智能优化方法。GWO具有结构简单、概念清晰,且易实现、全局性能好等特性。但GWO的研究及应用仍处于起步阶段,仍存在一些不足,如后期收敛速度慢、局部搜索能力弱等。本文针对目前灰狼优化算法所存在的一些不足进行了分析和改进,提出了一些新型的、性能更优的灰狼优化算法,目的在于完善和拓宽灰狼优化算法的理论基础和应用范围,为求解复杂系统大规模优化问题提供一种行之有效的新方法。本文的主要研究工作如下:(1)分析总结灰狼优化算法的数学理论基础、应用等方面所存在的不足,提出了一些改进的策略和方法。首次将GWO用于求解无人机航路规划问题,并与目前CS、FPA、NBA、BSA、ABC、GGSA等方法求解该问题作分析比较,结果表明,灰狼优化算法对无人机航路规划问题可获得更高质量的解,所获得结果对于设计无人机航路规划具有指导意义和参考价值。(2)为更好的平衡灰狼优化算法的全局和局部搜索能力,引入正交设计策略和差分变异策略,提出一种新的差分变异的正交灰狼优化算法(OMGWO),该算法在灰狼个体位置更新之前引入正交设计算子,通过正交设计算子加强了灰狼优化算法的全局搜索能力。同时在灰狼优化算法的迭代后期引入了差分变异算子“DE/best/2/bin”,进而提高算法局部搜索能力。通过5个标准的数据集,实验验证OMGWO能有效地优化神经网络结构、性能问题。(3)为了提高灰狼优化算法的收敛速度,基于差分排序变异基本原理,在灰狼个体位置更新之前引入差分排序变异策略,提出一种新的差分排序变异的灰狼优化算法RGWO。最后,3个IIR实例验证RGWO求解模型辨识问题的可行性与有效性。(4)为突破以往总是根据不同背景条件来选取预处理图像的传统思路,研究侧抑制的数学模型,将视觉中的侧抑制原理应用到图像的预处理中,以达到自适应预处理的目的,用灰狼优化算法对预处理后图像的可行域空间执行搜索任务。提出一种侧抑制的灰狼优化算法LI-GWO,并将其用于模板匹配问题。实验结果表明LI-GWO能够有效解决模板匹配问题,且收敛速度快、计算精度高。